一場疫情有可能導致大面積的人類受傷和死亡，并在廣泛層面上對社會和經濟發展造成不利影響。那么，有沒有辦法來未雨綢繆呢？

用人工智能來跟蹤、分析和預測疫情發展是個不錯的想法。早在2016年，科學家們就已經開始使用人工智能模型來預測有可能傳播絲狀病毒的蝙蝠物種，以確定潛在的感染溫床。

來自喬治亞大學、梅西大學和加利福尼亞大學的一組科學家創建了一個人工智能（AI）模型，使用機器學習方法，能根據攜帶絲狀病毒的蝙蝠物種的內在特征來預測風險。該算法在確定一個蝙蝠物種是否能攜帶絲狀病毒方面的準確率為87%，算法生成的地圖可以幫助指導有針對性的病毒監視和發現項目。

在疫情真正出現的前夕，人工智能有時也比人類反應更快。在本次新冠病毒疫情中，波士頓的一個人工智能系統HealthMap早在2019年末就發出了關于新冠病毒爆發的第一個全球警報。

該系統通過掃描在線新聞和社交媒體報道，將預警的嚴重程度判定為5級中的3級。遺憾的是，研究人員花了幾天時間才認識到它的重要性。

這也反映了AI預測疫情這幅美好圖景中的一個令人遺憾的局限：在準確度與敏感度上，人們往往難以抉擇。

疫情預警：容易誤報 仍需人工確認

目前，人工智能疾病預警系統仍然類似于汽車報警器——很容易觸發，也容易被忽略。

通過掃描社交媒體、在線新聞文章和政府報告，尋找傳染病爆發跡象的早期預警系統，有助于向世界衛生組織（World Health Organization）等全球機構提供信息。其中有些系統，包括ProMed，依賴于人類的專業知識，其他的系統則部分或完全自動化。

不過，這類AI系統往往需要專業的人員來進行人工篩選和驗證。

掃描在線報告以獲取疾病暴發信息的計算機系統依賴于自然語言處理，這是人工智能的一個分支。這種技術也用于給出在線搜索結果和讓AI助手回答用戶的問題。

位于舊金山的疾病監測公司Metabiota的首席執行官尼塔?馬德哈夫（Nita Madhav）指出，這些算法的有效性取決于它們所搜索的數據。Metabiota曾在1月初首次向客戶通報了疫情。

Madhav說，不同機構報告醫療數據的方式不一致可能會阻礙算法起作用。他表示，在這個過程中仍然需要一些人類員工來審查數據。

哈佛大學（Harvard University）流行病學家安德魯·比姆（Andrew Beam）表示，掃描在線報告中的關鍵詞有助于揭示趨勢，但準確性取決于數據的質量。他還指出，這些技術并不新穎。

“智能抓取網站是一門藝術，”比姆說，“它也是谷歌自上世紀90年代以來的核心技術。”

谷歌早在2008年就開始了自己的流感趨勢服務，通過搜索流感癥狀的模式來發現流感爆發。

有專家批評它高估了流感的流行。

《科學美國人》（Scientific American）的一篇文章也闡述了依賴人工智能診斷疾病的潛在問題。人工智能系統通常針對電子健康記錄進行培訓，但許多電子健康記錄常常不完整或不正確;此外，疾病、醫療系統都往往比人工智能工程師和科學家所能預料到的更復雜。

例如，DeepMind曾開發過一款能夠提前48小時預測住院患者急性腎衰竭的人工智能移動應用程序。但該系統會對每一個成功預測的腎衰竭發出兩次錯誤警報。

假陽性結果可能是有害的，因為它們會使得醫生花費不必要的時間和資源來安排進一步的檢測或改變處方治療。

在另一個例子中，一個人工智能系統錯誤地得出結論，如果患有哮喘，肺炎患者更有可能存活下來，這可能會導致醫生改變對哮喘患者的治療方法。

沒想象那么嚴重？

盡管應用越來越廣，但AI的運算結果可能并沒有人們想象的那么準確。例如，一個人工智能模擬顯示，新冠病毒可在45天內感染多達25億人，并導致多達5290萬人死亡。但隨后有專家表示，AI沒有意識到感染和檢測條件的改變，可能過度夸大了疫情的發展。

金融科技初創公司HedgeChatter的聯合創始人詹姆斯?羅斯（James Ross）建立了這個模型，以估計新型冠狀病毒的全球總傳播范圍。

羅斯說，到目前為止，AI已經成功地預測出第二天公布的數字，誤差在3%以內。

但多名醫生和醫學專業人士表示，輸入神經網絡的條件和數據正在改變。隨著這些條件的改變，結果將發生巨大變化。

以色列希巴醫學中心的Eyal Leshem教授說，如果大部分感染者沒有癥狀，或者只是出現了輕微的癥狀，這可能導致報告的病例比實際上少。這意味著更廣泛的感染率，但同時也使可能的致死率大幅下降。

預測的盲點有時在于那些我們得不到、或沒有被統計的數據。

UNLV公共衛生學院的助理教授Brian Labus說：“疫情早期報告的死亡率通常被夸大了，因為我們首先調查的是病情最嚴重的人……這些預測似乎高得不切實際。”

專家還指出，有效的抗疫舉措預計會大大降低感染和死亡的人數。人類的行為已經改變了疾病的傳播。

自動化診斷設備制造商LexaGene的首席執行官和創始人Jack Regan博士說，所有的誤差加在一起可能會造成感染率和死亡率的巨大變化，即使是很小的變化也會對計算機預測產生巨大的影響。

羅斯也承認：“雖然人工智能和神經網絡可以用來解決或預測許多事情，但總是有額外的變量需要添加到模型中進行微調。”

責任編輯：ct