人工智能应对COVID-19的系统性综述和前瞻性练习

制作和主办：Elsevier沙特国王大学学报人工智能和COVID-19：系统性的伞状审查和未来的Amina AdadiAlba，Mohammed Lahmer，Samia Nasiri摩洛哥梅克内斯Moulay Ismail大学LMMI实验室技术高中ISIC研究小组阿提奇莱因福奥文章历史记录：2021年5月8日收到2021年6月21日修订2021年7月11日接受2021年7月15日在线提供保留字：人工智能新冠肺炎机器学习深度学习机器人综合审查A B S T R A C T人工智能（AI）在应对当前疫情带来的挑战方面发挥了重要作用对使用人工智能来处理Covid-19问题的兴趣越来越大，加快了人工智能研究的步伐，并导致在很短的时间内文章和综述研究呈指数级增长因此，探索致力于全球健康危机的大量学术出版物正变得越来越具有挑战性。即使有系统性的审查研究，鉴于其数量和多样性，确定大流行病以外的趋势和研究途径应该是一项艰巨的任务。因此，我们得出结论，在宣布COVID-19为大流行病一年之后，累积的科学贡献缺乏两个基本方面：知识综合和未来规划。为了填补这一空白，本文是一个（一）综合研究和（二）前瞻性练习。该综合研究旨在通过对研究人工智能应用对抗新冠肺炎的综述（总括综述）进行系统性综述，为学者提供研究结果的整合和知识综合。根据PRISMA指南，我们从2019年12月1日至2021年6月1日系统地检索了PubMed、Scopus和其他预印本来源，以获得合格的综述。文献检索和筛选过程共纳入45篇综述。我们的研究结果揭示了人工智能研究界应对大流行的模式、关系和趋势。我们发现，在几个月的时间里，文献的研究目标已经从识别潜在的人工智能应用迅速发展到评估智能系统的当前用途。只有少数综述采用Meta分析作为研究设计。此外，已经观察到医学主题和DNN方法的明显主导地位在报告的AI应用程序中。基于其建设性的系统性总体审查，这项工作进行了一次前瞻性的练习，试图设想后Covid-19人工智能领域的研究前景我们看到了七个关键的研究主题，这些主题可能是当前危机的结果，并倡导一种更可持续和负责任的智能系统形式。因此，我们围绕这七个驱动因素制定了大流行后研究议程。这项研究的结果可以帮助人工智能研究界全面了解当前的文献，并在我们走向新常态时帮助优先考虑研究需求版权所有©2021作者。由爱思唯尔公司出版代表沙特国王大学这是一个在CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。*通讯作者：摩洛哥梅克内斯50040，Rue d'Agouray，Moulay Ismail University，High School of Technology电子邮件地址：a. umi.ac.ma（A. Adadi）。沙特国王大学负责同行审查https://doi.org/10.1016/j.jksuci.2021.07.0101319-1578/©2021作者。由爱思唯尔公司出版代表沙特国王大学这是一个在CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comA. 阿达迪湾Lahmer和S.纳西里沙特国王大学学报5899内容1.导言58992.伞式审查：审查针对COVID-19的人工智能申请的审查59002.1.材料和方法59002.1.1.研究计划59002.1.2.数据分析59012.2.调查结果2.2.1.文献计量分析59013.什么是人工智能？后新冠肺炎时代的艾未未59123.1.数据高效型59123.2.可持续模式59133.3.AI民主化59143.4.自主一切59143.5.生成的一切59153.6.伦理AI 59153.7.精密AI 59164.限制和未来范围4.1.限制59164.2.未来范围5.结论5917竞争利益声明阑尾评论5917参考文献59191. 介绍冠状病毒病（Covid-19）于二零一九年十二月爆发数周后，世界卫生组织（WHO）于二零二零年三月十一日宣布其为大流行病1。危机爆发大约一年后，现在是对当前形势采取综合看法的时候了，并开始相应地为超越危机做准备。Covid-19不是现代第一个或唯一的标点符号，但它是人工智能（AI）和相关技术广泛使用的第一个标点事件（Haleemet al.，2020 a;Javaid等人，2020 a; Javaid和Haleem，2019）。 作为一种强大的工具，人工智能已经加入了抗击COVID-19的斗争，并积极为遏制全球健康危机做出贡献（Naudé，2020 a; Vaishya等人，2020年）。因此，新型冠状病毒的影响和需求大大加快了基于人工智能的解决方案的规模和速度现在越来越清楚的是，目前使用AI的方式这篇评论主张有必要综合一年来专门针对新冠肺炎的人工智能文献，以及在当前大流行之后塑造这一技术未来的重要性。在这个时候，如果我们要跟上AI不断变化的现实和流行病引发的范式转变，就需要进行这方面的研究。因此，本次审查有两个目标：首先，它提出了一个全景图，说明人工智能在抗击新冠肺炎的武器库中的位置。对涉及Covid-19问题的大量人工智能文献的彻底调查发现了大量现有的文献综述研究。事实上，在过去的一年里，科学界和工业界都对探索人工智能的潜力非常感兴趣，以支持应对广泛的临床、社会和经济挑战。不断扩大的文献和不断增长的研究机构与此有关的问题，自然导致需要文献综述和调查。到年底，文献综述研究的数量也以类似的程度呈指数级增长。许多研究人员从不同的角度调查和审查了Covid-19申请，1https://www.who.int/director-general/speeches/detail/who-director-general-s-2020年3月11日在媒体吹风会上的开场白不同的尺度。因此，我们避免重复文献中已经报道的内容相反，我们建议在这些审查的基础上得出结论和综合。我们的目的不是展示人工智能在抗击新冠肺炎方面的详尽应用，现有的评论已经为这一问题提供了宝贵的见解在这个阶段，考虑到综述论文的数量和种类，我们认为，合乎逻辑的下一步和有价值的贡献将是为感兴趣的研究人员提供一个集中的切入点，使他们能够快速获得对新兴文学的整体看法，显然，这种综合分析需要回顾、比较和综合现有的综述研究，据我们所知，目前文献中缺少这些研究。将评论视为研究对象而不是原始研究的想法是一种独特的方法，将我们的工作与现有的评论区分开来。为了系统地汇集、评价和总结相关综述研究的结果，我们采用了伞式综述作为进行研究的方法学工具。伞式审查是指将来自多个审查的证据汇编成一个可访问和可用的文件的审查（Hartling等人， 2014年）。这个方法完全符合我们的目标.它整理了许多评论的证据，并提供了一个“一站式购物”的综合。它还可以作为一种比较工具，突出综述之间的相似性和差异性，识别证据中的差距，并确定未来研究的优先级。因此，我们的总体审查的目的是为学者提供一个审查的趋势和审查研究的结果，重点是人工智能在新冠肺炎中的应用19. 我们特别感兴趣的是，从两个层面进行研究：（1）形式层面，通过分析综述程序、方法和文献计量信息。以及（ii）内容层面，通过仔细审查审查结果并试图将其组织成报告的AI应用程序的统一分类。本综述的第二个目标是提供一种基于对收集到的信息的解释和综合的人工智能景观的水平带扫描。全面审视人工智能目前在新冠肺炎战场上的定位，应该会揭示未来的研究途径。我们的目标是最好地告知研究人员哪些研究方向可能是最重要的A. 阿达迪湾Lahmer和S.纳西里沙特国王大学学报5900值得研究。目前，预测、预测和规划人工智能的未来似乎至关重要危机另一边的世界在经济上肯定会在许多方面看起来不同表1已应用搜索字符串操作者维度关键字、替代关键字和同义词从社会和健康方面来看（Sharfuddin，2020年），了解未来的变化可以帮助我们现在采取与大流行病后的世界在经历了一年的黑天鹅事件事件，我们相信现在有足够的材料可以筛选和人工智能人工智能或AI或机器学习或深度学习或机器人或计算机视觉或数据科学或智能系统或计算智能并构建了未来人工智能研究⬛ 研究目的：本次审查的主要目标是：- 系统地比较、评估和综合关于人工智能在新冠肺炎中的作用的审查- 为大流行后的人工智能研究提出地平线扫描，以指导学者并帮助优先考虑研究需求。这些初步目标得到了一个广泛的研究问题的支持，该问题用于确定审查研究中用于分类AI应用的所有趋势、模式和概念化从这个研究问题中提出了三个可检验的假设关于研究问题和假设的细节将在下一节中给出。本文件其余部分的结构如下。第二介绍了总体综述的方法和结果，综述的结果分为两个标题：（i）从文献计量学指标中提取的结果和（ii）从纳入综述的结果中提取的结果第3讨论了人工智能研究领域的潜在未来方向，并将其分为七个关键主题。第4概述了本研究的局限性和未来的最后，2. 伞式审查：审查针对COVID-19的人工智能申请的审查2.1. 材料和方法2.1.1. 学习规划2.1.1.1. 研究问题。本系统性综述的主要研究问题是“趋势模式是什么，以及如何在综述研究中组织研究结果，重点是人工智能在COVID-19中的应用？”“的。 我们有意地制定了一个足够广泛的研究问题，以包含分析，比较和综合的所有方面。2.1.1.2. 搜索策略。我们的总体审查遵循快速审查方法，为了加快审查过程，我们将搜索限制在2019年1月12日至2021年1月6日之间出现的英文评论，重点关注人工智能的大规模应用。我们根据系统性综述和荟萃分析的首选报告项目（PRISMA）指南（Moher et al.，2009年）。为了确定审查的研究主题，我们检索了PubMed和Scopus数据库，以及预印本服务器，包括arXiv，bioRxiv和medRxiv。Google Scholar也被用作识别相关参考文献的额外来源。我们的搜索查询是由单词“COVID-19”和一组同义词合并而成的。我们对“人工智能”的定义广泛地涵盖了各种方法和工具，包括机器学习（ML）、自动化、计算机视觉和数据科学。尽管总体综述通常主要包括系统综述，但该方法允许整合其他类型的文献研究（Hartling等人， 2014年）。因此，在本发明中，COVID-19 COVID或冠状病毒或SARS-COV-2或2019-nCoV或大流行或流行病或危机审查类型*综述或荟萃分析或最新技术或调查* 表示我们搜索所有类型的综述，包括快速综述、范围综述、系统综述、文献综述、叙述综述、评论综述。. 等为了捕捉大量的作品，我们扩展了类型此外，还应确保文件中不仅包括有系统地进行的审查，而且还包括调查和叙述性审查。然后使用“OR”和“AND”运算符将识别的检索词编译为查询2.1.1.3. 入选标准。剔除重复文献后，通过阅读标题和摘要筛选出在此阶段，仅根据该信息排除了无关论文。然后，阅读可用的全文，以确定合适的综述。合格性标准为：1. 文章全文有英文版。2. 文章已出版或预印本。由于大流行是一个具有时间敏感性的主题，因此纳入了灰色文献，其中一些研究可能尚未经过同行评审。3. 这篇文章包含了对多篇文章的评论或对最新技术水平的调查4. 这篇文章涵盖了一个或多个AI方法。5. 本文重点关注人工智能在大规模应对COVID-19危机中的作用，并没有专门针对某个COVID-19应用。例如，像“重症监护和紧急情况下COVID-19的人工智能应用：系统综述”（Chee et al.，2021），仅在急性护理环境中审查AI的作用，在本次总括审查中未进行研究。结果，在首次识别的571篇文章中，我们评估了91篇，发现45篇评论符合我们的标准。为了避免偏倚并确保选择所有相关和合格的综述，两位作者独立使用检索策略筛选纳入综述的研究。任何差异均通过涉及第三位评审员（ML）解决。图1示出了搜索和选择过程的概述。所包含的评论的完整列表见附录。2.1.1.4. 数据提取。为了解决研究问题和假设，我们研究了每一篇纳入的综述，并提取了主要与以下相关的数据：(i) 文献计量信息，(ii) 正在研究的人工智能方法，(iii) 新冠病毒的应用程序正在覆盖，(iv) 审查的主要结果。最后，对所提取的数据进行了批判性分析，彻底组织和比较，然后进行综合和汇编，(1)与综述形式相关的发现和（2）从研究内容中提炼的结果。正如我们对综述纳入所做的那样，为了避免偏倚，还进行了数据提取A. 阿达迪湾Lahmer和S.纳西里沙特国王大学学报5901Fig. 1. 纳入审查的选择过程流程图。由两个不同的作者（AA和SN）独立完成通过讨论解决了分歧，在无法达成一致意见时，与第三提交人进行了磋商。2.1.2. 数据分析2.1.2.1. 主要假设。根据我们的研究问题和目标，我们的目标是测试三个主要假设：(1) 针对新冠肺炎人工智能问题的综述的影响（H1）(2) 医疗主题正在主导AI应用。（H2）(3) DNN算法主导了正在使用的AI方法的类型。（H3）2.1.2.2. 主要结果变量。基于定义的假设，结果变量定义如下：（i）引文数量，（ii）样本量，（iii）共现频率，以衡量H1中的综述影响。(iv)研究类型以及（v）衡量H3中深层架构优势的AI方法类型。解释变量主要是描述性的信息或研究的特征，这些信息或特征可能会影响兴趣，如文献类型、综述类型。. 等2.1.2.3. 统计检验。关于第一个假设，为了评估纳入研究文献计量学参数差异的影响和显著性，我们使用独立t检验作为统计学检验，使用p值评估显著性。认为p 0.05具有显著性。具体来说，我们使用了两个样本独立t检验（双尾）来了解样本量是否因评论类型而异（即，结果变量为同样的统计检验被用来检验引文计数是如何H2和H3的假设检验涉及一个分类变量（分别为研究的概念化类型和AI方法类型）和一个组类（分别为因此，我们选择用卡方拟合优度检验来衡量概念化类型和AI方法的频率分布类型偏离了理论上的公平分配。我们设定a= 0.05作为显著性水平。使用R 3.6.1版Windows软件和MS Excel 2016版进行统计学计算，使用VOSviewer 1.6.16版Windows软件进行关键词聚类。2.1.2.4. 数据报告。采用描述性方法报告数据分析的关键结果对所纳入综述的基本特征和统计结果插图包括共现网络开发，以说明关键字clusters。箱形图用于显示研究样本量的不同范围将与研究问题特征相关的数据转换为堆叠条形图，以获得更好的视觉解释。文氏图的建立是为了说明审查概念化的连通性，并强调它们之间的重叠程度。2.2. 结果2.2.1. 文献计量分析2.2.1.1. 灰色文学。对文献计量指标的分析揭示了一些有趣的趋势和模式。在分析文献增长的同时，我们注意到在所研究的综述中灰色文献的微弱存在如表2所示，45篇综述中只有9篇（20%）未发表，但引文数量很高（共191篇引文，平均每篇综述21篇引文我们推测，这可能是一个迹象，表明对快速结果的迫切需求标志着大流行的第一阶段，并导致科学生产的快速增长，其中大部分是未经同行评审的作品，在健康危机一年后开始缓慢下降此外，由于审查调查和审查研究的过程漫长，所包括的大部分已发表文献是几个月前刚刚发表的然而，大量的引用表明该文献在发表前已经被大量引用（共1401次引用，平均每篇综述40次引用）。因此，我们可以说，目前发表的许多研究的影响归功于他们的非同行评审版本。例如，根据谷歌学者，A. 阿达迪湾Lahmer和S.纳西里沙特国王大学学报5902表2纳入文献的类型文献类型产品数量引用次数*灰色文献会议记录29人（20%）191预印本7发表文章3336人（80%）1401书籍章节3总451592？在文献类型的两个亚组之间观察到引文数量的显著差异（p = 0.0312，t检验）。*截至2021年6月9日的引用数量。表3评论的类型审查类型产品数量引用次数首次发表日期*方法审查系统性文献综述8276八月2020快速审查3494四月2020范围界定审查417九月2020荟萃分析113十月2020文献计量学研究28二〇二〇年十一月总18808非正式评审文献调查13279五月2020文献综述14505四月2020总27784？在综述类型的两个亚组之间未观察到引文数量的统计学显著差异（p = 0.2594，t检验）*出版日期不适用于非同行评审的文章。对于已发表的综述，我们使用在线出版日期（PubMed的Epub日期索引）。图二.根据所涵盖的学科领域进行期刊分析。表4研究问题分析。目标研究问题和/或目标针对以下一个或多个目标：⬛识别（I）（概述、探索、调查）⬛分析（A）（检查，评估）⬛合成（S）（总结）范围研究问题和/或目标涵盖以下一个或多个范围：⬛潜在研究（PR）⬛研究现状（CRS）⬛未来前景研究（PFR）研究问题和/或目标集中在以下问题的一个或两个方面(1)技术方面（TA）：使用了哪些AI方法⬛它们是否与药物相关的方法（AM）？⬛数据相关方法（Data Related Methods，DM）⬛ 还是两者都有(2)大流行方面（PA）：在使用这些人工智能方法时，解决了Covid-19大流行的哪些方面？⬛它是一个医学方面（MF）？⬛或一般方面（医疗、经济、社会）. ）（GF）？Pham et al.（2020）的预印本调查自2020年4月以来已有68次引用，而其出版版本在2020年7月出版后被引用了30次2.2.1.2. 评论的类型。表3描述了所研究的评论的类型。根据综述如何呈现以及它们如何描述方法学方面，我们将综述分为两类：（i）方法学综述，包括系统进行的综述;（ii）非正式综述，包括文献调查和未指定用于进行研究的任何方法的综述。对人工智能应用于抗击新型冠状病毒肺炎（COVID-19，即2019冠状病毒病）的研究的审查首先是通过非正式审查进行的。这一类别的第一项研究于2020年4月发布，其特点是早期审查，旨在鼓励研究人员使用人工智能来应对突发危机（Naudé，2020 a; Naudé，2020 b）。同一作者在同一个月发表的另一篇评论中继续呼吁采取行动，他在评论中声称克服与缺乏数据 有 关 的 限 制 的 重 要 性 ， 以 便 人 工 智 能 对 新 冠 肺 炎 产 生 影 响（Naudé，2020 b）。在方法学类别中，最初的贡献是以快速综述的形式做出的，后来进行了其他类型的系统综述。虽然方法审查的数量和影响（引用次数）都在增加。迄今为止，非正式审查仍然是最常见的。此外，还明显缺乏具有汇总和综合目的的Meta分析和范围审查）。具体来说，我们发现Meta分析研究是代表性最低的研究设计（仅1篇综述）。在大流行的第一阶段缺乏研究工作可能是这类研究稀缺的原因。现在，随着大量研究工作的可用性，以支持实施Meta分析，我们应该期待更多的审查这类。这类研究的存在标志着研究主体的成熟，使研究人员能够得出结论，并确定未来的研究途径。2.2.1.3. 日志分析。期刊分析是使用Scopus的“主题领域”索引进行的。如图2所示，大多数发表新冠肺炎人工智能应用评论的期刊属于医学或多学科工程的特定领域，相对较少的出版物是在人工智能或计算机科学领域A. 阿达迪湾Lahmer和S.纳西里沙特国王大学学报5903图三.研究问题的目标分配。聚焦期刊这可能意味着这个问题主要是从医学角度解决的。2.2.1.4. 研究问题分析。由于我们正在研究综述文章，因此应分析两个与综述相关的参数，即（1）研究问题和（2）研究规模。首先，方法和非正式的审查进行筛选，以提取他们的研究问题和目的/目标，分别。然后对确定的问题集进行分析和比较，以确定模式。我们发现，一般来说，研究问题都围绕着审查大流行期间有价值的人工智能研究贡献然而，它们在（i）考试行为的目标、（ii）考试行为的范围和（iii）考试行为的尺度上有所不同。表4解释了这些差异。就目标而言，每一篇综述的目的都是识别、分析或综合人工智能的作用。就范围而言，研究问题通常涵盖尚未进行的研究，应该启动，研究已经进行的贡献并对其进行评估，或确定下一阶段要进行的新的未来主义研究这些范围分别说明了大流行的早期、中期和后期阶段。就规模而言，研究问题要么集中在大流行方面（例如，健康反应，流行病的经济影响）或技术方面（即，用于抗击大流行病的算法和数据），一些评论侧重于这两个方面。表4提供了一些与本节剩余部分中使用的研究问题组成部分相关的缩写。在索引每个评论与相应的目标，范围和规模后，我们得出以下结论，如图2所示。 3- 5和表5分别：(i) 文献中的大多数现有综述（61%）专注于“分析”人工智能在应对Covid-19方面的贡献，(ii)大部分审查的范围涵盖疫情期间人工智能的应用（范围= CRS）。在这些研究中，一些研究扩大了范围，以涵盖未来的方法，这些方法可以帮助在大流行的下一个阶段甚至在大流行结束后管理局势（范围= CRS + PFR）（图1）。 4）. ㈢专业人员的规模审查的重点是纯医学（公共卫生）应用。在接受调查的45项审查中，只有7项审查选择从全球角度或通过技术角度来处理这一问题（图5）。为了进一步分析，我们结合了研究问题的三个组成部分（目标，范围和规模），并将结果投影到时间轴上，以分析评论目标随时间的演变（表5）。在这样做的过程中，出现了一些模式首先，目前的大多数综述都属于组合（目标：A，范围：CRS，规模：PA：MF），这意味着现有综述大多遵循从医学角度分析现状的目标第二，目标”识别“然而，在这一研究成熟度水平上，我们预计这一目标也将与“有前途的未来研究”的范围然而，这一范围仅在以“分析”和“综合”为目标的研究中相对覆盖事实上，即使是这些审查，重点也基本上是审查目前的情况。一般来说，人工智能研究的未来只在结论中讨论 ，以建议或经验 教训的形式。例如 ，Nguyen 和Nguyen（2020）将他的工作作为一项调查和未来的研究方向。他的工作分为三个部分，第一部分分析了截至研究日期的人工智能应用，第二部分调查了Covid-19数据源。只有在第三部分“结论”中，作者才指出了可用于解决所观察到的问题的有前途的在纳入的综述中，没有一项研究专门关注“有前途的未来研究”的范围第三，一般视角（量表：PA：GF）仅被以“综合”为目标的综述采用第四，除了一些个别研究，三个里程碑标志着随着时间的推移评价的目标早期的调查旨在确定和探索潜在的人工智能研究，以紧急应对危机。这些综述通常在2020年上半年发表，并以组合形式进行注释（目标：I，范围：PR，量表：PA：MF [TA]）。然后，以分析和评估已经开始发生的贡献为目标进行这一系列的工作得到了系统性的审查的加强，这些审查严格分析了来自研究的证据，以发现要遵循的趋势和要避免的陷阱这些综述通常在2020年下半年发表，并以组合形式进行注释（目标：A，范围：CRS，规模：PA：MF [TA]）。今年年初，目标开始转向更多的知识综合。事实上，由于许多审查已经研究了这些问题，最近的研究试图通过提出改进来区分他们的工作，与以前模糊的审查相比，全面或详细，见图4。 研究问题的范围分布。A. 阿达迪湾Lahmer和S.纳西里沙特国王大学学报5904图五.研究问题的规模分布。表5研究问题随着时间的推移而演变。通过采用更全球化的视角而不是医学特定的视角，或者只关注最新的结果和成就。这些综述通常用组合注释（目标：S，范围：CRS + PFR，量表：PA：MF/GF [TA]）。有些评论并不按照这种模式发展。综述（Nadeem等人， 2020年）和（Tseng等人，2020年），其目标是确定潜在的研究进行，并于2020年晚些时候发表。这些审查试图解决在以往审查中发现的一些局限性。综述（Nadeem等人，2020年）提出，人工智能可以在战斗中发挥重要作用。A. 阿达迪湾Lahmer和S.纳西里沙特国王大学学报5905图六、包 含 的评论的大小？在审查类型的两个亚组之间观察到样本量的显著差异（p = 0.0493，t检验）。见图7。 纳入综述的关键词映射。结合其他形式的技术，如物联网（IoT），并相应地确定了基于物联网的人工智能方法，可以帮助赢得这场战斗。综述（Tseng等人，2020年）声称，尽管在研究人工智能如何有利于抗击新冠肺炎方面做了大量工作，但这篇文章并没有阐明在战斗中应用计算智能的具体问题。为了填补这一空白，审查确定了可以用这类技术解决的关键流行病问题。另一方面，综述（Fong等人，2020）和（Bansal等人，2020年），在第二学期初出版2020年，可以被认为是试图综合人工智能应用文献对抗大流行病第一种方法采用结构化的方法来综合人工智能的四个基本好处：（1）自主一切，（2）普遍知识，（3）辅助技术，（4）理性决策支持。在另一项审查中，使用叙述方法从时间角度综合人工智能效用（在大流行之前，以及在大流行的各个阶段）。2.2.1.5. 样本量分析。在分析研究问题后，我们进行了样本量分析。根据选择过程信息直接从文献中检索方法学综述的数量。在非正式审查中，A. 阿达迪湾Lahmer和S.纳西里沙特国王大学学报5906在没有明确提及研究作品的数量的情况下，根据引用的作品来估计大小。如图6所示，样本量因研究而异，范围从小于20到大于300。正如预期的那样，研究的规模随着时间成比例地增长。最近的综述（Syeda等人， 2021年1月出版的《伊斯兰》（Islam et al.， 2020年6月进行的调查，仅调查了35件作品。规模也取决于综述的类型（叙述性、快速或系统性）。如图 6、非正式评论调查了相对较多的作品，而方法论评论必然尊重严格的选择过程（非正式评论平均126篇参考文献，神话评论平均77篇）。2.2.1.6. 关键词分析最后，在关键词分析中，确定了Covid-19研究综述的四大主题领域。图7显示了作者使用并在Scopus中索引的最常见关键词的连接网络。与Covid-19和AI相关的关键词自然位于单词地图的中心。可以看出，发现了不同的子域围绕着这两个词。人工智能方法集群主要包括以下几个共同出现的关键词：深度学习，机器人，大数据和数据科学。人工智能应用集群集中在与人工智能使用相关的临床环境中，如药物发现、诊断和医学图像分析。该地图还被关键词包围，突出显示了系统综述、文献调查、综述和其他术语等综述方法。最后一个聚类代表与大流行的病毒学背景相关的关键词（病毒学、肺炎、冠状病毒感染）。. ）.总之，从这项文献计量分析中可以得出的关键观察结果是，旨在调查人工智能在抗击新冠肺炎中的作用的工作动态：以大量评论和大量引用为标志的前所未有的生产增长。为了进行比较，我们使用以下简化查询从Scopus收集了AI相关评论，分别关注（查询1：标题-ABS-KEYKEY（令人惊讶的是，这两个查询共享相同数量的结果。Scopus上交叉AI和Covid-19的评论数量几乎与从同一数据库中获得的结果数量相同，这些结果是在没有任何时间限制的情况下在像放射学这样流行的医疗领域中寻找AI应用时获得的。截至2021年5月20日，查询1返回了212篇文献，引用次数超过100次，仅研究了一年。查询2返回了214篇文献，共4734篇引文，涉及30多年的研究。这表明人工智能科学界在对抗这种新疾病的斗争中的巨大和密集的参与这也表明，COVID-19为AI无障碍地释放其全部力量开了绿灯。这种动态也可以通过所解决的研究问题的快速演变来看到。在一年的时间里，审查和调查从确定潜在的人工智能应用开始，然后分析所做的贡献，最后评估和综合情况。不过，我们注意到，到目前为止，还没有太多的评论集中在综合问题上。可以说，这一动态的部分原因是大流行病问题的紧迫性。有时会导致祭祀的准确性和紧迫性的严格性。目前，大多数已识别的文献都是经过同行评审和发表的。然而，人们注意到，非正式审查的次数与方法审查相比，这一比例相对较高，即使是系统进行的审查，也倾向于敏捷和灵活地执行其方法，以加快取得成果。除了该领域的动态之外，在整个分析过程中经常出现的一个需要进一步调查的观察结果是，在解决这一问题时重点关注与医疗有关的应用这一观察结果来自对发表评论的期刊类型、评论研究问题的规模以及关键词分析中确定的聚类的分析在下一节中，我们将进一步挖掘评论2.2.2. 分类学的分类学。涵盖人工智能应用于Covid-19的调查和评论主要在如何组织Covid- 19申请方面有所不同。每个作品都有不同的概念化和分类。在本节中，我们建议将这些多个视角系统化到一个统一的画布中。根据我们的目标，我们不打算寻求人工智能方法的每一种方式。相反，我们的目标是综合知识的方式研究人员已经确定和分类这些应用程序。为此，我们试图将现有的分类法汇编成一种Meta分类法或分类法的分类法。该Meta分类在图8中描述并且在以下子部分中进一步详述。基于对扫描文献的研究结果的研究，我们总结了审查组织新冠肺炎申请所采用的五种主要策略。（i）从某个角度（即感知研究）描述新型冠状病毒应用的研究。(ii)关注健康反应的研究，根据其临床/流行病学目的对AI的使用进行分类（iii）强调背景对新型冠状病毒应用分类的重要性的研究，即背景研究，（iv）将其概念化基于人工智能方法分类的技术研究。以及（v）将医学和技术战略结合起来的混合研究。(1) 知觉研究不同的观点会导致不同的解决方法，本课程的每一个评论都基于一个特定的观点提出了一个分类法。综述（Shen等人，2020; Wang和Wang，2021）采用了面向任务的感知来对AI应用进行分类。他们根据所需的任务概述了机器人的成就已经采用了许多形式的机器人（例如，固定操纵器、无人机、轮式机器人、移动操纵器、桌面机器人和社交机器人），以自主且安全地执行常规上需要大量人力的常规任务，诸如消毒、监测、诊断、护理、手术、递送、远程呈现、物流和制造任务。根据疫情经验，两份评论均认为机器人领域的进展取决于若干支持技术的发展，包括传感器技术、5G、物联网、图像处理、HRC及触觉控制。Review（Islam et al.， 2020）选择调查现有的研究在他们的目的。根据本系统评价的结果，AI方法用于检测、预测、识别、分类和比较。同样，审查（Abd-Alrazaq et al. 2020）确定了五个目的，即：用于诊断、治疗和疫苗、流行病学建模、患者管理和信息学的AI。一些评论，如（Kumar等人，2020; Fong等人，2020; Raza，2020）按视角或目标分解人工智能应用程序。一些确定的观点是：病人●●●A. 阿达迪湾Lahmer和S.纳西里沙特国王大学学报5907见图8。 AI应用程序分类的分类。假设生物学观点、健康系统观点、经济学观点和社会观点。最后，回顾（Bullock等人， 2020年）提出了多尺度概念。受生物体数字化重建的启发，作者将人工智能应用分为三个规模：分子规模，临床规模和社会规模。(2) 医学研究本课程包括捕获医疗相关应用的评论，这意味着重点不是放在正在使用的AI工具上，而是放在它们在医疗环境中应用的结果整理的医疗应用是（i）流行病学驱动的或（ii）临床驱动的。流行病学驱动的综述（Syeda等人，2021; Enughwure和Febaide，2020; Bansal等人，2020年）专注于与疾病的病毒学性质有关的应用，例如预测，预测，流行病学建模，生物医学分析，蛋白质结构以及药物发现和再利用。 虽然临床驱动的综述（Vaishya等人，2020; Naudé，2020 a; Chen等人， 2020）对临床场景中的用途感兴趣，包括诊断、筛查、患者管理、医院资源管理、医护人员安全和工作量减少、临床决策和治疗。有时，在两个类别之间观察到重叠。特别是与药物开发相关的应用往往出现在这两个类别中（Jiayang Chen等人，2020;Bansal等人，2020年）。作为流行病学管理过程的一部分，它们属于第一子类，但它们也是临床应用的一部分，因为它们属于疾病疗法和治疗的范围。(3) 语境研究背景审查反映了研究人工智能在大流行病中的应用的背景影响。根据调查的评论，我们确定了四个背景，已在文献中研究，即：（i）时间背景，（ii）地理背景，(iii)大流行阶段背景;及（iv）经济背景。根据上下文评论，AI方法的效用随着上下文的变化而变化。例如，综述（Islam et al.，2020）比较了在特定地区进行的工作和独立于地区的文章。作者发现，上下文相关的文章主要集中在流行病预测和可持续发展（因为此类应用需要上下文相关的数据），而大多数疾病检测相关的文章对上下文不敏感。早期的综述（Bragazzi等人，2020）提出了短期、中期和长期的人工智能应用路线图。研究结果表明，随着时间的推移，人工智能的使用将从短期的诊断和预后，到中期的潜在治疗选择的确定，再到长期的智能和弹性城市的增强。Piccialli等人（2021）最近的一篇综述采用了相同的分类，将问题框定为时间轴，通过重新组织世界卫生组织提供的大流行病的时间阶段获得。即大流行前、大流行边缘、第一个高峰前后、大流行后。综述（Bansal等人， 2020）根据大流行的阶段对人工智能应用进行了分类，他们描述了六个阶段，追踪大流行传播模式的演变，从动物到动物到人到人的传播，通过动物传播-A. 阿达迪湾Lahmer和S.纳西里沙特国王大学学报5908人类传播此外，作者表明，用于爆发检测的AI将在所有大流行阶段使用。预防策略和疫苗开发将在确认可能的动物-人传播后进行一旦发现社区一级的疫情，然而，对大流行后时期的见解并不综述（Naseem等人， 2020年）认为，大多数人工智能驱动的工具被认为是在高收入国家得到加强和实践。而在中低收入国家，使用人工智能管理新型冠状病毒疫情的证据仍然不足。因此，作者建议通过经济背景镜头进行范围审查，他们的结果表明，人工智能在发展中国家的使用有助于消除健康不平等，减轻医疗保健系统的负担。(4) 技术研究一些审查倾向于根据所采用的人工智能方法组织工作。一般来说，以下一个或多个人工智能领域已经涵盖。(i) 军事手段。许多评论集中在人工智能的算法方面。综述（Tseng等人，Shorten等人（2021）认为他们的工作是第一次仅通过深度学习的视角观察新冠肺炎应用的调查。综述（ Ulhaq 等 人 ， 2020 ） 涵 盖 了 计 算 机 视 觉 应 用 。 综 述（Hussain等人， 2020）说明了ML技术的使用。和综述（Shen等人，2020）报告了机器人社区所做的努力-仅举几例。我们记录了这些评论报告的每种人工智能方法，以全面了解算法方法在疫情中的应用程度。⬛ 常用的传统机器学习算法有支持向量机、模糊逻辑系统、随机森林、决策树、逻辑回归和增强机器学习。⬛ 在包含的评论中，最常见的深度学习架构（DNN）是卷积神经网络（CNN），生成对抗网络（GAN），递归神经网络（RNN），特别是长期/短期记忆（LSTM），极端学习机（ELM）。除了一些混合形式的深度学习（例如，CNN-SVM，深度集成算法）。⬛ 计算机视觉受到深度学习的极大支持和推动，大多数使用的模型是CNN及其变体（例如，SqueezNet、ResNet、AlexNet、GoogleNet和VGG Net）、预训练网络、灰度共生矩阵。除了用于管理小型数据集的数据增强（使用GAN）和迁移学习（特别微调的深度迁移学习）之外。⬛ 与自然语言处理（NLP）相关的人工智能技术也得到了显着的应用，例如连续词袋模型，Skip-gram模型，语言模型嵌入（ELMo）和Porter Stemming。⬛ 最常用的机器人类型是协作和社交机器人、固定和移动机械手、无人机、手臂和轮式机器人。⬛ 最后，我们注意到，比较算法以找到特定应用的最佳算法是一个相当大的焦点，一些使用的指标包括准确性、特异性、灵敏度、阳性预测值（PPV）、阴性预测值（NPV）、曲线下面积（AUC）和F1评分。(ii) 数据驱动的应用程序。总体而言，数据是所有医疗护理的核心，对于管理新冠肺炎疫情尤为重要我们分析了报