環球抗疫戰人工智能3層面助攻

新冠狀肺炎病毒（新冠病毒）COVID-19肆虐全球。正當疫情在中國的傳染趨勢逐漸放緩，在歐美各國的確診率和死亡率卻大幅升。根據世界衞生組織（World Health Organization, WHO）截至4月1日報告的統計，確診病例在中國內地為82631宗（當中死亡個案為3321），而其他國家/地區合共至少有740995宗確診病例及37277人死亡。

全世界科學家致力緩解疫情

隨着疫情的持續發展，全世界科學家均致力疫情緩解研究，值得注意的是人工智能（AI）技術在追蹤病毒傳播、促進病毒檢測、開發疫苗、尋找新的治療方法、了解疫情對社會經濟影響等任務上大派用場，為防疫抗疫工作中的醫療（Medical）、分子（Molecular）、社會（Social）三個應用層面作出莫大貢獻。

在醫療應用層面，人工智能在應對新冠病毒疫情上的應用，大多集中在醫學成像的診斷上，當中包括使用患者醫學數據來預測疾病進展的方法、用於病情監測的無創檢測方法、還有輔助計算機斷層（Computed Tomography, CT）掃描診斷方法等。例如，新冠病毒具有特殊的放射學特徵，這些特徵可通過CT掃描方式觀察到，但對於放射學科的醫務人員來說，識別這些圖像非常費時，因此利用人工智能及大數據分析技術可以大大提升CT掃描診斷的效率。

醫療分子社會 AI三方面派用場

在分子應用層方面，人工智能可應用於預測蛋白質結構、加快病毒DNA檢驗、發掘新藥等研究。冠狀病毒包括沙士2型（SARS-CoV-2）是近期全球研究較多人關注的課題之一。例如在蛋白質結構預測方面，蛋白質的基因序列決定其獨特的3D結構。這結構影響它所屬的蛋白質之功能和作用。

深度學習預測蛋白質結構

一般而言，蛋白質結構可以通過X射綫晶體學（X-ray Crystallography）等實驗研究方法來確定，但這些方法花費昂貴亦耗費時間。

針對這問題，谷歌DeepMind於2018年底推出AlphaFold算法，這算法採用深度學習（Deep Learning, DL）技術，並利用基因序列去預測蛋白質結構。

據了解，AlphaFold目前可以預測與SARS-Cov-2相關的6種蛋白質的結構，分別為SARS-Cov-2膜蛋白、蛋白3a、Nsp2、Nsp4、Nsp6和papain-like蛋白酶。

社會應用層的研究主要探討流行病學及信息病學對新冠病毒疫情擴散的影響。流行病學是利用實時的新冠病毒資訊去跟蹤病毒的傳播路徑、預測新發疫區的可能性等。例如，有人工智能模型可以利用歷史數據，提前10天預測確診病例的總人數。又例如，有研究利用從鑽石公主號郵輪上所收集的感染數據，來了解無症狀病例的發生率。

信息病學評估驗證網絡輿論

信息病學主要分析社交網絡的輿論及新聞，判斷它的真實性及對社會大眾的影響力。有研究對新冠病毒相關文章及新聞進行人工及自動的真實性驗證和相關性分析，並研發出一套系統來評估每日新聞頭條和世界衞生組織建議之間的相似度。如果相似度高於某個預設水平，則這篇新聞便會被接納，並同時附上世衞的相關建議。

相似度水平是由人工審核確定的，並且依據用戶反饋不斷地更新。針對相互矛盾的信息，這種方法可以幫助大眾識別出準確可信賴的新聞報道，也能夠促使重要的指導性文章產生更廣泛的影像，推動官方的關注事宜以及其所採納的公眾建議。

總括而言，人工智能有助醫學界控制新冠病毒疫情。抗疫研究再一次反映出人工智能的實用性，它可以有效地在不同的範疇及場景排難解憂，成效斐然。不過，由於新冠病毒屬於突發事件，每一次發生在醫療、分子及社會的應用層面都存在不同的特徵，加上由於沒有往迹可依，因此每次研究都差不多要重新開始，召集不同領域專家（例如醫療、傳染學、數據科學、社會學、傳媒學等專家）、搜集大量的與疫情相關的數據等，這些工作需要各地政府大費周章，既困難又繁複。