不到現場，照樣看最乾貨的學術報告！
嗨，大家好。這裡是學術報告專欄，讀芯術小編不定期挑選並親自跑會，為大家奉獻科技領域最優秀的學術報告，為同學們記錄報告乾貨，並想方設法搞到一手的PPT和現場視頻——足夠乾貨，足夠新鮮！話不多說，快快看過來，希望這些優秀的青年學者、專家傑青的學術報告 ，能讓您在業餘時間的知識閱讀更有價值。
人工智能論壇如今浩如煙海，有硬貨、有乾貨的講座卻百裡挑一。“AI未來說·青年學術論壇”系列講座由中國科學院大學主辦，百度全力支持，讀芯術、paperweekly作為合作自媒體。承辦單位為中國科學院大學學生會，協辦單位為中國科學院計算所研究生會、網絡中心研究生會、人工智能學院學生會、化學工程學院學生會、公共政策與管理學院學生會、微電子學院學生會。2020年3月29日，第13期“AI未來說·青年學術論壇”AI助力疫情攻關線上專場論壇以“線上平臺直播+微信社群圖文直播”形式舉行。清華大學吳及帶來報告《信息技術助力新冠防控》。
吳及，清華大學電子工程系副系主任、長聘教授、博士生導師；清華大學精準醫學研究院臨床大數據中心共同主任。1996年和2001年在清華大學電子工程系獲得工學學士和博士學位，2013年至2015年在美國佐治亞理工學院擔任訪問學者。主要從事人工智能，機器學習，自然語言處理，模式識別，數據挖掘等領域的研究工作。從2006年起擔任清華-訊飛聯合研究中心主任。現在為IEEE高級會員，中國語音產業聯盟技術工作組組長，認知智能國家重點實驗室學術委員會委員，口腔數字化醫療技術和材料國家工程實驗室第二屆技術委員會委員，中國計算機學會語音對話與聽覺專業組委員，中國醫療保健國際交流促進會常務理事。還擔任2018-2022教育部電信類專業教學指導委員會副秘書長，清華大學電子與通信學位分委員會副主任。
承擔國家重點研發計劃，863，國家自然科學基金，工信部電子發展基金等多項國家科研項目。參加的項目“智能語音交互關鍵技術及應用開發平臺”於2011年獲國家科技進步二等獎。負責的項目“面向海量語音數據的識別、檢索和內容分析技術及其應用”獲2014年度北京市科學技術獎一等獎。已在Nature Communications,IEEETASLP,IEEE TETC,AAAI,ACL等重要學術期刊和學術會議上發表論文一百三十餘篇。
報告內容：新冠感染已經發展成為全球性的重大公共衛生事件，新冠防控已經成為全球各國和人民都必須面對的重大挑戰。在新冠感染髮展和防控的整個過程，醫護人員和公共衛生體系當然是中流砥柱，但信息技術也發揮了重要的作用，在這個報告中我們會和大家交流利用信息技術支持新冠防控的工作和體會。
信息技術助力新冠防控
吳及教授首先以“在疫情爆發的時候，我們的技術能發揮什麼作用呢？”為切入點，引出信息技術以及信息媒介的重要作用。由於我們進入了信息社會，信息傳播極為快速、極為方便，所以每個人每個時刻都能獲得廣泛傳播的大量信息，這些信息還會進一步影響到每一個人的具體行為。因此疫情防控不能僅僅關心疾病本身，還要關心信息傳播在其中發揮的重要作用，比如這次武漢市是整個疫情爆發最集中、最嚴重的地方，究其原因，除了有很多患者感染新冠病毒以外，恐慌情緒被誘發，導致大量民眾前往醫院就醫，形成對武漢醫療資源的過度擠兌，進而引發大規模交叉感染風險。
從武漢封城開始，吳教授及其團隊就意識到信息技術的用武之地，所以啟動研發輔助分診系統，希望把相關患者按照新冠感染的可能性大小、嚴重程度進行適當分級。如果能夠使整個就醫秩序變得更加有序，這對穩定整個局勢、確保每一個患者能夠得到合理診斷和恰當治療是非常重要的。
1月下旬吳教授團隊就與北京清華長庚醫院展開討論，合作設計分診系統，希望按照新冠感染流行病學和臨床表現引導護士完成分診，以達到提高分診效率和規範性的目的。從大年初一確定整個任務開始，大年初二清華大學和北京清華長庚醫院啟動開發，經過一週的連續工作，在2月1日發佈系統並開始測試，並在2月3日投入長庚醫院的急診和發熱門診中，到3月28日已經累計完成了6262例病例的分診。
在分診的過程中，分診系統將新冠感染可能性大的患者分到發熱或者急診內科，而將因其它原因，感染可能性小的患者轉到其他科室。他們特別強調對一部分沒有接觸史、沒有流行病學史、症狀不明顯的患者建議居家觀察，避免患者人數形成對北京醫療資源的擠兌。患者到了醫院以後首先在護士站由護士利用分診系統進行問診，區分進入不同診間。醫生在患者進來之前就能瞭解到患者的情況，包括他們的流行病學史、主要症狀也包括呼吸、心跳、血氧基礎性的指標，以提高臨床醫生的診療工作效率。另外分診系統還實現了迭代優化，根據大量患者分診後的實際診療數據不斷改進系統，提升系統性能。
建立數據閉環，並從數據中發現一些原來沒有意識到的情況，也是我們需要實現數據迭代很重要的原因。一開始設計分診策略的時候完全根據衛健委公佈的診療建議推薦方案，以及合作醫學專家的臨床經驗。在不斷對患者進行實際分診、就診、診療過程中，吳教授團隊通過數據不斷獲得新的信息，這些信息在不同地區甚至同一地區不同醫院之間也會有一些差別，這樣就可以根據數據來優化每一個系統的特性、形成適應性策略。一個例子就是可以看到疫情的發展變化，例如早期流行病學史是診斷的重要標準，但隨著疫情的發展和病毒的傳播，流行病學史，比如湖北旅行史的重要性就顯著下降。此外，血氧飽和度和血氧正常是判斷新冠的重要指標，但我們也發現一部分新冠感染患者的血氧正常，而血氧飽和度的問題很大可能預示了進入到重症階段。第三，開始建立的系統對用戶的一些描述不是特別精確，比如患者症狀描述中只提到了腹瀉，根據實際數據，從腹瀉改成腹痛或者腹瀉。可以看到數據迭代優化對系統不斷進步和適應有很大幫助。
之後吳教授介紹了新冠數據分析的相關工作，主要是細粒度區域上的新冠感染變化趨勢。通過與百度合作獲取了關於人口變化的熱力數據，分析發現新冠累計病例和人口熱力變化是正相關的，而新增病例和人口熱力的變化卻是是負相關。原因是春節以後一個區域人口在緩慢增長的過程中，新冠累計病例數是逐漸增加；但由於武漢及時採取封城舉措，各個區域的隔離措施初見成效，雖然區域人口數在增加，但新冠確診案例已經呈現逐步下降的現象。這證實了對於新冠疫情，國家及時推進嚴格的隔離措施發揮了重要作用。
在對死亡病例、危重病例、重症病例、輕症病例等分類別建立詞雲後中發現，發熱咳嗽是所有新冠患者共同的主要症狀，而高血壓、糖尿病等基礎性疾病對新冠患者的診療影響是非常大的，如果患者出現了胸悶、乏力甚至呼吸困難，這往往是疾病逐步進入重症甚至危重症主要的表現。
吳教授表示，雖然很多醫學專家、信息技術專家一直在做分析，但目前為止我們對新冠病毒特點的認識還是非常不夠的，還需要針對數據進行更深入的分析。特別是現在新冠疫情已經傳播到全世界，像意大利、美國紐約等地疫情已經非常嚴重。所以面對新冠這種傳染性非常強的疾病，無論醫學專家還是信息技術專家還需要付出更多的努力，讓我們對疾病有更深刻的認識，幫助全世界儘快從疫情狀況恢復出來。
我們一起分享AI學習與發展的乾貨
閱讀更多 讀芯術 的文章
