人工智能模型可以主动预测COVID-19检测是否呈阳性

COVID-19及其最新的omicron菌株继续在全国乃至全球引起感染。血清学(血液)和分子检测是两种最常用的COVID-19快速检测方法。由于COVID-19检测使用不同的机制，因此差异很大。分子检测检测SARS-CoV-2病毒RNA的存在，而血清学检测检测SARS-CoV-2病毒引发的抗体的存在。

目前还没有关于血清学与分子检测以及哪些COVID-19症状在产生阳性检测结果方面发挥关键作用。佛罗里达大西洋大学工程与计算机科学学院利用机器学习进行的一项研究，为理解分子检测与血清学检测之间的相关性，以及哪些特征在区分COVID-19阳性与检测结果方面最有用提供了重要的新证据。

工程与计算机科学学院的研究人员训练了五种分类算法来预测COVID-19检测结果。他们使用易于获取的症状特征，以及症状出现后的天数、发烧、体温、年龄和性别等人口特征，创建了一个准确的预测模型。

研究表明，机器学习模型，使用简单的症状和人口特征进行训练，可以帮助预测COVID-19感染。结果发表在杂志上聪明健康，确定了与COVID-19感染相关的主要症状特征，并提供了一种快速筛查和具有成本效益的感染检测方法。

研究结果显示，出现发烧和呼吸困难等症状的天数在COVID-19检测结果中起着很大的作用。研究结果还表明，与血清学检测的症状后发病天数(5至38天)相比，分子检测的症状后发病天数(3至8天)要窄得多。因此，分子检测的阳性率最低，因为它测量的是当前的感染情况。

此外，COVID-19检测差异很大，部分原因是捐赠者的免疫反应和病毒载量(不同检测方法的目标)不断变化。即使是同一个供体，也可能在两种类型的检测中观察到不同的阳性/阴性结果。

“分子测试取决于病毒载量，血清学测试取决于血清转化，即身体开始产生可检测抗体水平的时期。这两种测试都是时间相关的，”福冈大学电气工程与计算机科学系教授、资深作者朱兴全博士说。“我们的研究结果表明，出现症状后的天数对于COVID-19检测呈阳性非常重要，在筛查患者时应仔细考虑。”

在这项研究中，研究人员使用了2467名捐赠者的测试结果，每个人都使用一种或多种类型的COVID-19测试进行测试，这些测试被收集作为试验台。他们结合症状和人口统计信息，设计了一组使用五种类型的机器学习模型进行预测建模的特征。

通过交叉检查测试类型和结果，他们检查了血清学和分子测试之间的相关性。为了测试结果预测，他们使用血清学或分子测试结果将2467名供体标记为阳性或阴性，并创建症状特征来代表每个供体，供机器学习使用。

“由于COVID-19会产生各种各样的症状，而数据收集过程基本上容易出错，我们将类似的症状分为不同的类别，”朱说。“如果没有症状报告的标准化，症状特征空间将大大增加。为了解决这个问题，我们使用了这种分箱方法，它能够在保留样本特征信息的同时减少症状特征空间。”

通过使用创建的bin特征，结合五种机器学习算法，这些预测模型获得了超过81%的AUC分数(ROC曲线下面积，提供了所有可能分类阈值性能的汇总度量)和超过76%的分类准确率。

“我们的试验台的一个独特之处在于，一些捐赠者可能有多种测试结果，这使我们能够分析血清学测试与分子测试之间的关系，并了解每种测试的一致性，”朱说。

五个机器学习研究人员使用的模型有随机森林、XGBoost、逻辑回归、支持向量机(SVM)和神经网络。他们通过三个性能指标来比较表现:准确性、f1得分和AUC。

“预测建模是复杂的许多令人困惑的问题尚未得到研究。我们的研究人员创建的测试台确实是新颖的，清楚地显示了不同类型的COVID-19测试之间的相关性，”FAU工程与计算机科学学院院长Stella Batalama博士说。

“我们的研究人员设计了一种新的方法来缩小临床解释和预测建模的嘈杂症状特征。这种基于人工智能的预测建模方法在对抗传染病和许多其他健康问题方面变得越来越强大。”