| dc.description.abstract | Στη παρούσα εργασία έχουμε την παρουσίαση των εργασιών ομάδων για τη μελέτη με Τεχνητή Νοημοσύνη για τον Covid-19 στο πεδίο της διάγνωσης μέσω αξονικών τομογραφιών, στο πεδίο της φαρμακοσύνθεσης και της κατασκευής εμβολίου ενάντια στην πρωτεΐνη ακίδα του ιού.
Ειδικότερα, η ομάδα των Xu et al. με την ανέπτυξε μοντέλο ανίχνευσης αλλοιώσεων από τον Covid-19 σε CT εικόνες πνεύμονα. Το μοντέλο αυτό με το όνομα ResNet-18, το οποίο εφαρμόζει 3D τμηματοποίηση. Το μοντέλο εμφανίζει διακριτική ικανότητα, ικανότητα ταυτοποίησης/αναγνώρισης σε ποσοστό ακρίβειας 86,7%.
Παράλληλα στο ίδιο πεδίο η ομάδα Wang et al. ανέπτυξε μοντέλο τεχνητής νοημοσύνης για την μελέτη των CT εικόνων πνεύμονα για μελέτη της επικινδυνότητας της κατάστασης του ασθενούς και υποτροπής. Το μοντέλο αυτό έχει βάση EfficientNet-B4. Το μοντέλο κατάφερε στη πρόγνωση κινδύνου να αγγίζει το ποσοστό 95% επαλήθευσης με τα ιατρικά/κλινικά δεδομένα, μία πολύ μεγάλη εγκυρότητα. Καθώς επίσης 97% στον εντοπισμό των πάσχων περιοχών στις ct εικόνες.
Στο πεδίο των φαρμάκων η ομάδα Bung et al., ανέπτυξε μοντέλο τεχνητής νοημοσύνης που βασίζεται σε παραγωγικό μοντέλο, και στη συνέχεια εφαρμογή μεταφορά μάθησης και υποστηριζόμενης μάθησης, ώστε να επιλέξει το κατάλληλο μόριο αναστολέα πρωτεάσης του Covid-19, με βάση δομή και φυσικοχημικές ιδιότητες των μορίων και πρωτεϊνών.
Στο πεδίο της κατασκευής εμβολίου η ομάδα του Yang Z. et al. δημιούργησε το DeepVacPred, το οποίο υπολογίζει, τους επιτόπους στα Τ, Β και Τκυτταροτοξικά λεμφοκύτταρα, ώστε να δημιουργηθεί εμβόλιο, ενάντια της ακίδας του Covid-19, πολλαπλών επιτόπων και άρα ισχυρή ανασοαπάντηση. The Covid-19 pandemic in 2020 to 2021, shocked the planet. Thousands of people dead, thousands of people were hospitalized in intensive care units. The global economy crash. In this situation, there was an immediate need for rapid diagnosis, new treatment, new vaccines and drugs. Artificial Intelligence was applied in these areas. This thesis presents these applications.
The team of Xu et al. developed a 3D learning model to analyse the CT images, recognise the infected area from Covid-19. This model use VNet-inception residual network (IR) technology with 3D segmentation process. The accuracy rate was 86.7% in terms of all CT case taken together. The team of Wang et al. developed An artificial intelligence (AI) system in a time-to-event analysis framework, to integrate chest CT and clinical data for risk prediction of future deterioration to critical illness in patient with Covid-19. This system has the architecture of EfficientB4. The AI system achieved a C-index of 0.80 for predicting individual COVID-19 patients’ to critical illness. The AI system successfully stratified the patients into high-risk and low-risk groups with distinct progression risks.
The team of Bung et al. developed a deep neural network-based generative and predictive models for de novo design of small molecules capable of inhibiting the 3CL protease. The generative model was optimized using transfer learning and reinforcement learning to focus around the chemical space corresponding to the protease inhibitors. Multiple physicochemical property filters and virtual screening score were used for the final screening. The team of Yang et al. developed an in silico deep learning approach for prediction and design of a multi-epitope vaccine (DeepVacPred). By combining the in silico immunoinformatics and deep neural network strategies, the DeepVacPred computational framework directly predicts 26 potential vaccine subunits from the available SARS-CoV-2 spike protein sequence.This artificial intelligence (AI) based vaccine discovery framework accelerates the vaccine design process and constructs a 694aa multi-epitope vaccine containing 16 B-cell epitopes, 82 CTL epitopes and 89 HTL epitopes, which is promising to fight the SARS-CoV-2 viral infection and can be further evaluated in clinical studies. | en_US |
