一场疫情有可能导致大面积的人类受伤和死亡，并在广泛层面上对社会和经济发展造成不利影响。那么，有没有办法来未雨绸缪呢?
用人工智能来跟踪、分析和预测疫情发展是个不错的想法。早在2016年，科学家们就已经开始使用人工智能模型来预测有可能传播丝状病毒的蝙蝠物种，以确定潜在的感染温床。
来自乔治亚大学、梅西大学和加利福尼亚大学的一组科学家创建了一个人工智能(AI)模型，使用机器学习方法，能根据携带丝状病毒的蝙蝠物种的内在特征来预测风险。该算法在确定一个蝙蝠物种是否能携带丝状病毒方面的准确率为87%，算法生成的地图可以帮助指导有针对性的病毒监视和发现项目。
在疫情真正出现的前夕，人工智能有时也比人类反应更快。在本次新冠病毒疫情中，波士顿的一个人工智能系统HealthMap早在2019年末就发出了关于新冠病毒爆发的第一个全球警报。
该系统通过扫描在线新闻和社交媒体报道，将预警的严重程度判定为5级中的3级。遗憾的是，研究人员花了几天时间才认识到它的重要性。
这也反映了AI预测疫情这幅美好图景中的一个令人遗憾的局限:在准确度与敏感度上，人们往往难以抉择。
疫情预警:容易误报 仍需人工确认
目前，人工智能疾病预警系统仍然类似于汽车报警器——很容易触发，也容易被忽略。
通过扫描社交媒体、在线新闻文章和政府报告，寻找传染病爆发迹象的早期预警系统，有助于向世界卫生组织(World Health Organization)等全球机构提供信息。其中有些系统，包括ProMed，依赖于人类的专业知识，其他的系统则部分或完全自动化。
不过，这类AI系统往往需要专业的人员来进行人工筛选和验证。
扫描在线报告以获取疾病暴发信息的计算机系统依赖于自然语言处理，这是人工智能的一个分支。这种技术也用于给出在线搜索结果和让AI助手回答用户的问题。
位于旧金山的疾病监测公司Metabiota的首席执行官尼塔•马德哈夫(Nita Madhav)指出，这些算法的有效性取决于它们所搜索的数据。Metabiota曾在1月初首次向客户通报了疫情。
Madhav说，不同机构报告医疗数据的方式不一致可能会阻碍算法起作用。他表示，在这个过程中仍然需要一些人类员工来审查数据。
哈佛大学(Harvard University)流行病学家安德鲁·比姆(Andrew Beam)表示，扫描在线报告中的关键词有助于揭示趋势，但准确性取决于数据的质量。他还指出，这些技术并不新颖。
“智能抓取网站是一门艺术，”比姆说，“它也是谷歌自上世纪90年代以来的核心技术。”
谷歌早在2008年就开始了自己的流感趋势服务，通过搜索流感症状的模式来发现流感爆发。
有专家批评它高估了流感的流行。
《科学美国人》(Scientific American)的一篇文章也阐述了依赖人工智能诊断疾病的潜在问题。人工智能系统通常针对电子健康记录进行培训，但许多电子健康记录常常不完整或不正确;此外，疾并医疗系统都往往比人工智能工程师和科学家所能预料到的更复杂。
例如，DeepMind曾开发过一款能够提前48小时预测住院患者急性肾衰竭的人工智能移动应用程序。但该系统会对每一个成功预测的肾衰竭发出两次错误警报。
假阳性结果可能是有害的，因为它们会使得医生花费不必要的时间和资源来安排进一步的检测或改变处方治疗。
在另一个例子中，一个人工智能系统错误地得出结论，如果患有哮喘，肺炎患者更有可能存活下来，这可能会导致医生改变对哮喘患者的治疗方法。
没想象那么严重?
尽管应用越来越广，但AI的运算结果可能并没有人们想象的那么准确。例如，一个人工智能模拟显示，新冠病毒可在45天内感染多达25亿人，并导致多达5290万人死亡。但随后有专家表示，AI没有意识到感染和检测条件的改变，可能过度夸大了疫情的发展。
金融科技初创公司HedgeChatter的联合创始人詹姆斯•罗斯(James Ross)建立了这个模型，以估计新型冠状病毒的全球总传播范围。
罗斯说，到目前为止，AI已经成功地预测出第二天公布的数字，误差在3%以内。
但多名医生和医学专业人士表示，输入神经网络的条件和数据正在改变。随着这些条件的改变，结果将发生巨大变化。
以色列希巴医学中心的Eyal Leshem教授说，如果大部分感染者没有症状，或者只是出现了轻微的症状，这可能导致报告的病例比实际上少。这意味着更广泛的感染率，但同时也使可能的致死率大幅下降。
预测的盲点有时在于那些我们得不到、或没有被统计的数据。
UNLV公共卫生学院的助理教授Brian Labus说:“疫情早期报告的死亡率通常被夸大了，因为我们首先调查的是病情最严重的人……这些预测似乎高得不切实际。”
专家还指出，有效的抗疫举措预计会大大降低感染和死亡的人数。人类的行为已经改变了疾病的传播。
自动化诊断设备制造商LexaGene的首席执行官和创始人Jack Regan博士说，所有的误差加在一起可能会造成感染率和死亡率的巨大变化，即使是很小的变化也会对计算机预测产生巨大的影响。
罗斯也承认:“虽然人工智能和神经网络可以用来解决或预测许多事情，但总是有额外的变量需要添加到模型中进行微调。”
