清华大学吴及：信息技术助力新冠防控
不到现场，照样看最干货的学术报告！
嗨，大家好。这里是学术报告专栏，读芯术小编不定期挑选并亲自跑会，为大家奉献科技领域最优秀的学术报告，为同学们记录报告干货，并想方设法搞到一手的PPT和现场视频——足够干货，足够新鲜！话不多说，快快看过来，希望这些优秀的青年学者、专家杰青的学术报告 ，能让您在业余时间的知识阅读更有价值。
人工智能论坛如今浩如烟海，有硬货、有干货的讲座却百里挑一。“AI未来说·青年学术论坛”系列讲座由中国科学院大学主办，百度全力支持，读芯术、paperweekly作为合作自媒体。承办单位为中国科学院大学学生会，协办单位为中国科学院计算所研究生会、网络中心研究生会、人工智能学院学生会、化学工程学院学生会、公共政策与管理学院学生会、微电子学院学生会。2020年3月29日，第13期“AI未来说·青年学术论坛”AI助力疫情攻关线上专场论坛以“线上平台直播+微信社群图文直播”形式举行。清华大学吴及带来报告《信息技术助力新冠防控》。
清华大学吴及的报告视频
吴及，清华大学电子工程系副系主任、长聘教授、博士生导师；清华大学精准医学研究院临床大数据中心共同主任。1996年和2001年在清华大学电子工程系获得工学学士和博士学位，2013年至2015年在美国佐治亚理工学院担任访问学者。主要从事人工智能，机器学习，自然语言处理，模式识别，数据挖掘等领域的研究工作。从2006年起担任清华-讯飞联合研究中心主任。现在为IEEE高级会员，中国语音产业联盟技术工作组组长，认知智能国家重点实验室学术委员会委员，口腔数字化医疗技术和材料国家工程实验室第二届技术委员会委员，中国计算机学会语音对话与听觉专业组委员，中国医疗保健国际交流促进会常务理事。还担任2018-2022教育部电信类专业教学指导委员会副秘书长，清华大学电子与通信学位分委员会副主任。
承担国家重点研发计划，863，国家自然科学基金，工信部电子发展基金等多项国家科研项目。参加的项目“智能语音交互关键技术及应用开发平台”于2011年获国家科技进步二等奖。负责的项目“面向海量语音数据的识别、检索和内容分析技术及其应用”获2014年度北京市科学技术奖一等奖。已在Nature Communications,IEEETASLP,IEEE TETC,AAAI,ACL等重要学术期刊和学术会议上发表论文一百三十余篇。
报告内容：新冠感染已经发展成为全球性的重大公共卫生事件，新冠防控已经成为全球各国和人民都必须面对的重大挑战。在新冠感染发展和防控的整个过程，医护人员和公共卫生体系当然是中流砥柱，但信息技术也发挥了重要的作用，在这个报告中我们会和大家交流利用信息技术支持新冠防控的工作和体会。
信息技术助力新冠防控
吴及教授首先以“在疫情爆发的时候，我们的技术能发挥什么作用呢？”为切入点，引出信息技术以及信息媒介的重要作用。由于我们进入了信息社会，信息传播极为快速、极为方便，所以每个人每个时刻都能获得广泛传播的大量信息，这些信息还会进一步影响到每一个人的具体行为。因此疫情防控不能仅仅关心疾病本身，还要关心信息传播在其中发挥的重要作用，比如这次武汉市是整个疫情爆发最集中、最严重的地方，究其原因，除了有很多患者感染新冠病毒以外，恐慌情绪被诱发，导致大量民众前往医院就医，形成对武汉医疗资源的过度挤兑，进而引发大规模交叉感染风险。
从武汉封城开始，吴教授及其团队就意识到信息技术的用武之地，所以启动研发辅助分诊系统，希望把相关患者按照新冠感染的可能性大小、严重程度进行适当分级。如果能够使整个就医秩序变得更加有序，这对稳定整个局势、确保每一个患者能够得到合理诊断和恰当治疗是非常重要的。
1月下旬吴教授团队就与北京清华长庚医院展开讨论，合作设计分诊系统，希望按照新冠感染流行病学和临床表现引导护士完成分诊，以达到提高分诊效率和规范性的目的。从大年初一确定整个任务开始，大年初二清华大学和北京清华长庚医院启动开发，经过一周的连续工作，在2月1日发布系统并开始测试，并在2月3日投入长庚医院的急诊和发热门诊中，到3月28日已经累计完成了6262例病例的分诊。
在分诊的过程中，分诊系统将新冠感染可能性大的患者分到发热或者急诊内科，而将因其它原因，感染可能性小的患者转到其他科室。他们特别强调对一部分没有接触史、没有流行病学史、症状不明显的患者建议居家观察，避免患者人数形成对北京医疗资源的挤兑。患者到了医院以后首先在护士站由护士利用分诊系统进行问诊，区分进入不同诊间。医生在患者进来之前就能了解到患者的情况，包括他们的流行病学史、主要症状也包括呼吸、心跳、血氧基础性的指标，以提高临床医生的诊疗工作效率。另外分诊系统还实现了迭代优化，根据大量患者分诊后的实际诊疗数据不断改进系统，提升系统性能。
建立数据闭环，并从数据中发现一些原来没有意识到的情况，也是我们需要实现数据迭代很重要的原因。一开始设计分诊策略的时候完全根据卫健委公布的诊疗建议推荐方案，以及合作医学专家的临床经验。在不断对患者进行实际分诊、就诊、诊疗过程中，吴教授团队通过数据不断获得新的信息，这些信息在不同地区甚至同一地区不同医院之间也会有一些差别，这样就可以根据数据来优化每一个系统的特性、形成适应性策略。一个例子就是可以看到疫情的发展变化，例如早期流行病学史是诊断的重要标准，但随着疫情的发展和病毒的传播，流行病学史，比如湖北旅行史的重要性就显著下降。此外，血氧饱和度和血氧正常是判断新冠的重要指标，但我们也发现一部分新冠感染患者的血氧正常，而血氧饱和度的问题很大可能预示了进入到重症阶段。第三，开始建立的系统对用户的一些描述不是特别精确，比如患者症状描述中只提到了腹泻，根据实际数据，从腹泻改成腹痛或者腹泻。可以看到数据迭代优化对系统不断进步和适应有很大帮助。
之后吴教授介绍了新冠数据分析的相关工作，主要是细粒度区域上的新冠感染变化趋势。通过与百度合作获取了关于人口变化的热力数据，分析发现新冠累计病例和人口热力变化是正相关的，而新增病例和人口热力的变化却是是负相关。原因是春节以后一个区域人口在缓慢增长的过程中，新冠累计病例数是逐渐增加；但由于武汉及时采取封城举措，各个区域的隔离措施初见成效，虽然区域人口数在增加，但新冠确诊案例已经呈现逐步下降的现象。这证实了对于新冠疫情，国家及时推进严格的隔离措施发挥了重要作用。
在对死亡病例、危重病例、重症病例、轻症病例等分类别建立词云后中发现，发热咳嗽是所有新冠患者共同的主要症状，而高血压、糖尿病等基础性疾病对新冠患者的诊疗影响是非常大的，如果患者出现了胸闷、乏力甚至呼吸困难，这往往是疾病逐步进入重症甚至危重症主要的表现。
吴教授表示，虽然很多医学专家、信息技术专家一直在做分析，但目前为止我们对新冠病毒特点的认识还是非常不够的，还需要针对数据进行更深入的分析。特别是现在新冠疫情已经传播到全世界，像意大利、美国纽约等地疫情已经非常严重。所以面对新冠这种传染性非常强的疾病，无论医学专家还是信息技术专家还需要付出更多的努力，让我们对疾病有更深刻的认识，帮助全世界尽快从疫情状况恢复出来。
留言 点赞 发个朋友圈
我们一起分享AI学习与发展的干货
推荐文章阅读
长按识别二维码可添加关注
读芯君爱你