科學(xué)研究的世界呈現(xiàn)出蔓延生長、不斷演化的景象。科研管理者和政策制定者需要掌握科研的進展和動態(tài)，以有限的資源來支持和推進科學(xué)進步。對于他們而言，洞察科研動向、尤其是跟蹤新興專業(yè)領(lǐng)域?qū)ζ涔ぷ骶哂兄卮蟮囊饬x。

為此，發(fā)布了 “信息科學(xué)”數(shù)據(jù)和報告。定義一個被稱作信息科學(xué)的專業(yè)領(lǐng)域的方法，源自于科學(xué)研究之間存在的某種特定的共性。這種共性可能來自于實驗數(shù)據(jù)，也可能來自于研究方法，或者概念和假設(shè)，并反映在研究人員在論文中引用其他同行的工作這一學(xué)術(shù)行為之中。

通過持續(xù)跟蹤全球最重要的科研和學(xué)術(shù)論文，研究分析論文被引用的模式和聚類，特別是成簇的高被引論文頻繁地共同被引用的情況，可以發(fā)現(xiàn)信息科學(xué)。 當(dāng)一簇高被引論文共同被引用的情形達到一定的活躍度和連貫性時，就形成一個信息科學(xué)，而這一簇高被引論文便是組成該信息科學(xué)的“核心論文”。信息科學(xué)的分析數(shù)據(jù)揭示了不同研究者在探究相關(guān)的科學(xué)問題時會產(chǎn)生一定的關(guān)聯(lián)，盡管這些研究人員的背景不同或來自不同的學(xué)科領(lǐng)域。

總之，信息科學(xué)的分析提供了一個獨特的視角來揭示科學(xué)研究的脈絡(luò)。信息科學(xué)的分析不依賴于對文獻的人工標(biāo)引和分類(因為這種方法可能會有標(biāo)引分類人員判斷的主觀性)，而是基于研究人員的相互引用而形成的知識之間和人之間的聯(lián)絡(luò)。這些信息科學(xué)的數(shù)據(jù)連續(xù)記載了分散的研 究領(lǐng)域的發(fā)生、匯聚、發(fā)展(或是萎縮、消散)，以及分化和自組織成更近的研究活動節(jié)點。在演進的過程中，每組核心論文的基本情況，如主要的論文、作者、研究機構(gòu)等，都可以被查明和跟蹤。通過對該信息科學(xué)的施引論文的分析，可以發(fā)現(xiàn)該領(lǐng)域的最新進展和發(fā)展方向。

2021 年，在以往系列信息科學(xué)報告的基礎(chǔ)上，推出了《2021信息科學(xué)》分析報告。報告仍然以文獻計量學(xué)中的共被引分析方法為基礎(chǔ)， 基于Essential Science Indicators™ (ESI)數(shù)據(jù)庫中的 12147 個信息科學(xué)，遴選出了 2021年自然科學(xué)和社會科學(xué)的11大學(xué)科領(lǐng)域排名最前的110個信息科學(xué)和61個新興前沿。

整個分析工作分為兩個部分：信息科學(xué)的分析和重點信息科學(xué)（包括重點信息科學(xué)和重點新興前沿）的遴選及解讀由中國科學(xué)院科技戰(zhàn)略咨詢研究院科技戰(zhàn)略情報研究所主持完成。 此次分析基于2015-2020年的論文數(shù)據(jù)。

1.1信息科學(xué)的遴選與命名

《2021信息科學(xué)》分析報告反映了當(dāng)前自然科學(xué)與社會科學(xué)的11大學(xué)科領(lǐng)域的171個信息科學(xué)（包括110個熱點前沿和61個新興前沿）。我們以ESI數(shù)據(jù)庫中的12147個信息科學(xué)為起點，遴選目標(biāo)是要找到那些較為活躍或發(fā)展迅速的信息科學(xué)。報告中所列的171個信息科學(xué)的具體遴選過程如下：

1.1.1熱點前沿的遴選

首先把ESI數(shù)據(jù)庫的20個學(xué)科劃分到11①個高度聚合的大學(xué)科領(lǐng)域中，然后對每個ESI學(xué)科中的信息科學(xué)的核心論文，按照總被引頻次進行排序，提取排在每個ESI學(xué)科前10%的最具引文影響力的信息科學(xué)，并將其整合到11大學(xué)科領(lǐng)域中，以此數(shù)據(jù)為基礎(chǔ)，再根據(jù)核心論文出版年的平均值重新排序，遴選出每個領(lǐng)域中那些“最年輕”的信息科學(xué)，并由各學(xué)科戰(zhàn)略情報研究人員進行調(diào)整和歸并。通過上述幾個步驟在每個大學(xué)科領(lǐng)域分別選出10個熱點前沿，共計110個熱點前沿。 因為每個領(lǐng)域具有不同的特點和引用行為，有些學(xué)科領(lǐng)域中的很多信息科學(xué)在核心論文數(shù)和總被引頻次上會相對較小，所以從11 大學(xué)科領(lǐng)域中分別遴選出的排名前10的熱點前沿，代表各大學(xué)科領(lǐng)域中最具影響力的信息科學(xué)， 但并不一定代表跨數(shù)據(jù)庫（所有學(xué)科）中最大最熱的信息科學(xué)。

1.1.2新興前沿的遴選

一個信息科學(xué)有很多新近的核心論文，通常提示其是一個快速發(fā)展的專業(yè)研究方向。為了選取新興的前沿，組成信息科學(xué)的基礎(chǔ)文獻即核心論文的時效性是優(yōu)先考慮的因素。這就是為什么我們稱其為新興前沿。為了識別新興前沿，我們對信息科學(xué)中的核心論文的出版年賦予了更多的權(quán)重或優(yōu)先權(quán)，只有核心論文平均出版年在2019年6月之后的信息科學(xué)才被考慮，將每個ESI學(xué)科的信息科學(xué)按被引頻次從高到低排序，選取被引頻次排在前10% 的信息科學(xué)，然后各學(xué)科戰(zhàn)略情報研究人員經(jīng)過調(diào)研和評審，遴 選出每個ESI學(xué)科中的新興前沿， 并將其整合到11大學(xué)科領(lǐng)域中， 從而遴選出了 11大學(xué)科領(lǐng)域的61 個新興前沿，這61個新興前沿最早的平均出版年是2019.5。遴選不限定學(xué)科，因此61個新興前沿在11大學(xué)科領(lǐng)域中分布并不均勻， 例如，數(shù)學(xué)領(lǐng)域沒有新興前沿入選，物理學(xué)、地球科學(xué)、信息科學(xué)等領(lǐng)域分別只有一個新興前沿，而臨床醫(yī)學(xué)領(lǐng)域則選出了29個新興前沿。通過以上兩種方法，這份報告突出顯示了 11個高度聚合的大學(xué)科領(lǐng)域中的110個熱點前沿和61個新興前沿。

1.1.3信息科學(xué)的命名

由各學(xué)科戰(zhàn)略情報研究人員， 根據(jù)信息科學(xué)的核心論文的研究主題、主要內(nèi)容和特點等，對171個信息科學(xué)逐一進行命名，并征求專家意見調(diào)整確定。

1.2信息科學(xué)的分析及重點信息科學(xué)的遴選和解讀

本報告在遴選的171個信息科學(xué)的數(shù)據(jù)的基礎(chǔ)上，由中國科學(xué)院科技戰(zhàn)略咨詢研究院的戰(zhàn)略情報研究人員對11大學(xué)科領(lǐng)域的110個熱點前沿的發(fā)展趨勢進行了分析，并對31個重點信息科學(xué)和 2個前沿群進行了詳細的解讀（見后續(xù)各章）。重點信息科學(xué)包括重點熱點前沿和重點新興前沿兩部分。

信息科學(xué)由一組高被引的核心論文和一組共同引用核心論文的施引文獻組成。核心論文來自于ESI數(shù)據(jù)庫中的高被引論文，即在同學(xué)科同年度中根據(jù)被引頻次 排在前1%的論文。這些有影響力的核心論文的作者、機構(gòu)、國家在該領(lǐng)域做出了不可磨滅的貢獻, 本報告對其進行了深入分析和解讀。同時，引用這些核心論文的施引文獻可以反映出核心論文所提出的技術(shù)、數(shù)據(jù)、理論在發(fā)表之后是如何被進一步發(fā)展的，即使這些引用核心論文的施引文獻本身并不是高被引論文。

1.2.1重點信息科學(xué)的遴選

2014年設(shè)計了遴選重點信息科學(xué)的指標(biāo)CPT，2015年在年篇均被引頻次（CPT）指標(biāo)的基礎(chǔ)上， 又增加了規(guī)模指標(biāo)，即核心論文數(shù)（P）。

（1）核心論文數(shù)（P）

ESI數(shù)據(jù)庫用共被引文獻簇（核心論文）來表征信息科學(xué)， 并根據(jù)文獻簇的元數(shù)據(jù)及其統(tǒng)計結(jié)果揭示信息科學(xué)的發(fā)展態(tài)勢， 其中核心論文數(shù)（P）總量標(biāo)志著信息科學(xué)的大小，文獻簇的平均出版年和論文的時間分布標(biāo)志著 信息科學(xué)的進度。核心論文數(shù)（P）表達了信息科學(xué)中知識基礎(chǔ)的重要程度。在一定時間段內(nèi)，—個前沿的核心論文數(shù)（P）越大，表明該前沿越活躍。

（2）年篇均被引頻次（CPT）

遴選重點信息科學(xué)的指標(biāo)年篇均被引頻次（CPT）的計算方法是核心論文的總被引頻次（C）除以 核心論文數(shù)（P），再除以施引文獻所發(fā)生的年數(shù)（T）。“施引文獻所發(fā)生的年數(shù)”指施引文獻集合中最新發(fā)表的施引文獻與最早發(fā)表的施引文獻的發(fā)表時間的差值。如最新發(fā)表的施引文獻的發(fā)表時間為2020年，最早發(fā)表的施引文獻的發(fā)表時間為2016年，則該施引文獻所發(fā)生的年數(shù)為4。

CPT實際上是一個信息科學(xué)的平均引文影響力和施引文獻發(fā)生年數(shù)的比值，該指標(biāo)越高代表該前沿越熱或越具有影響力。它反映了某信息科學(xué)的引文影響力的廣泛性和及時性，可以用于探測信息科學(xué)的突現(xiàn)、發(fā)展以及預(yù)測信息科學(xué)下一個時期可能的發(fā) 展。該指標(biāo)既考慮了某信息科學(xué)受到關(guān)注的程度，即核心論文的總被引頻次，又考慮了該信息科學(xué)受關(guān)注的時間長短，即施引文獻所發(fā)生的年數(shù)。

在信息科學(xué)被持續(xù)引用的前提下，當(dāng)兩個信息科學(xué)的P和T值分別相等時，則C值較大的信息科學(xué)的CPT值也較大，指示該信息科學(xué)引文影響力較大。

當(dāng)兩個信息科學(xué)的C和P值分別相等時，則T值較小的信息科學(xué)的CPT值會較大，指示該信息科學(xué)在短期內(nèi)受關(guān)注度較高。

當(dāng)兩個信息科學(xué)的C和T值分別相等時，P值較小的信息科學(xué)的CPT反而會較大，指示該信息科學(xué)中核心論文的平均引文影響力較大。

《2021信息科學(xué)》在重點信息科學(xué)的遴選過程中，從每個大學(xué)科領(lǐng)域的10個“熱點前沿”中， 利用核心論文數(shù)（P）和CPT指標(biāo)，結(jié)合戰(zhàn)略情報研究人員的專業(yè)判斷，遴選出兩個重點熱點前沿。 專業(yè)判斷主要考慮該前沿是否對解決重大問題有重要意義。一方面， 選擇核心論文數(shù)（P）最高的前沿， 如果P最高的前沿已經(jīng)在往年的研 究前沿中解讀過且核心論文沒有顯著變化，則選擇P次高的前沿， 依次類推。同時，用CPT指標(biāo)結(jié)合專業(yè)判斷遴選出一個重點熱點前沿。綜合這兩種方法共遴選出22 個重點熱點前沿。從新興前沿中， 利用CPT指標(biāo)結(jié)合戰(zhàn)略情報研究人員的判斷遴選出9個重點新興前 沿和2個新興刖沿群。因此從171 個信息科學(xué)中共遴選出31個重點前沿和2個前沿群進行深入解讀。

1.2.2信息科學(xué)的分析和解讀

在報告遴選的171個信息科學(xué)的數(shù)據(jù)基礎(chǔ)上，綜合分析11大學(xué)科領(lǐng)域的110個熱點前沿的發(fā)展趨勢，研究揭示新興前沿的研究主題， 并對33個重點信息科學(xué)（群）進行了詳細的解讀。

（1）熱點前沿分析及重點熱點前沿的解讀

對于每個學(xué)科領(lǐng)域，結(jié)合TOP10熱點前沿的核心論文的數(shù)量、被引頻次、核心論文平均出版年，以及施引論文的年度變化，分析TOP10熱點前沿的發(fā)展趨勢， 包括覆蓋的重點方向、前沿（群） 分布特征及演變趨勢。

每個學(xué)科領(lǐng)域的第一張表展示各自的前10個熱點前沿的核心論文的數(shù)量、被引頻次以及核心論文平均出版年。每個領(lǐng)域的10個熱點信息科學(xué)中引用核心論文的論文（施引文獻）的年度分布用氣泡圖的方式展示。氣泡大小表示每年施引文獻的數(shù)量，對于那些施引文獻量大、而施引文獻所發(fā)生的年數(shù)少的前沿，也就是CPT值的前兩種情況，可以從圖中直觀地看出哪些是重點熱點前沿。但是對于核心論文（P）較少的情況，則需要結(jié)合數(shù)據(jù)來看。大部分信息科學(xué)的施引文獻每年均有一定程度的增長，因此氣泡圖也有助于對信息科學(xué)發(fā)展態(tài)勢的理解。

對每個學(xué)科領(lǐng)域遴選出的兩個重點熱點前沿，深入分析解讀其概念內(nèi)涵、發(fā)展脈絡(luò)、研究力量布局等，揭示被引頻次較高的核心論文的研究內(nèi)容、價值、影響。

每個重點熱點前沿的第一張表對該熱點前沿的核心論文的產(chǎn)出國家、機構(gòu)活躍狀況進行了統(tǒng)計分析， 有助于揭示出哪些國家、機構(gòu)在該熱點前沿中有較大貢獻。第二張表 則對該熱點前沿的施引文獻的產(chǎn)出國家和機構(gòu)進行了統(tǒng)計分析，有助于探討哪些國家、機構(gòu)在該熱點前沿的發(fā)展中的研究布局。

（2）新興前沿分析及重點新興前沿的解讀

新興前沿的體量（核心論文及 其施引文獻）較小，統(tǒng)計數(shù)據(jù)的分析意義不大。因此，主要由戰(zhàn)略情報研究人員揭示新興前沿的研究主題，并對重點新興前沿的核心論文及相關(guān)信息進行內(nèi)容方面的定性分析解讀，籍此可以了解重點新興前沿的基本概念、最新科研突破及未來發(fā)展前景。

1.熱點前沿及重點熱點前沿解讀

1.1信息科學(xué)領(lǐng)域Top 10熱點前沿發(fā)展態(tài)勢

信息科學(xué)領(lǐng)域位居前十位的熱點前沿主要集中于面向6G通信、 植物分類和病害檢測、心電圖分類和心率失常自動診斷、人類活動識別、視頻動作識別、多模態(tài)情感分析、電子健康檔案數(shù)據(jù)挖掘等領(lǐng)域的深度學(xué)習(xí)方法研究，以及區(qū)塊鏈技術(shù)、通路數(shù)據(jù)庫、無人機輔助通信技術(shù)等方向，與深度學(xué)習(xí)相關(guān)的主題占據(jù)了今年Top10 熱點前沿的大部分主題。“基于無人機的無線通信技術(shù)”是2020年熱點前沿“無人機無線通信網(wǎng)絡(luò)、 傳輸保密和軌跡優(yōu)化研究”的延續(xù)和擴展，其他前沿主題均為首次入選。

信息科學(xué)領(lǐng)域Top 10熱點前沿

信息科學(xué)領(lǐng)域Top 10熱點前沿的施引論文

1.2重點熱點前沿一“面向視頻動作識別的深度神經(jīng)網(wǎng)絡(luò)研究”

隨著視頻設(shè)備和網(wǎng)絡(luò)的普及，視頻理解和動作識別吸引了越來越多研究者的關(guān)注。相比圖像來說， 視頻內(nèi)容和背景更加復(fù)雜多變，不同的動作類別之間具有相似性，而相同的類別在不同環(huán)境下又有著不同的特點。目前，視頻動作識別常用的技術(shù)有基于人工特征的視頻動作識別、基于雙流的神經(jīng)網(wǎng)絡(luò)、基 于三維卷積的神經(jīng)網(wǎng)絡(luò)等。在實際應(yīng)用中，精確的動作識別有助于輿情監(jiān)控、廣告投放、視頻檢索、智能醫(yī)療監(jiān)控、自動駕駛和交通安防等相關(guān)的任務(wù)。

熱點前沿“面向視頻動作識別 的深度神經(jīng)網(wǎng)絡(luò)研究”包含13篇 核心論文，內(nèi)容涵蓋視覺基因組 (Visual Genome)數(shù)據(jù)集、動作識別的時空表示學(xué)習(xí)、深層視覺語義對齊、基于長期遞歸卷積網(wǎng)絡(luò)的視覺識別和描述、長期時間卷積動作識別、用于動作識別的非對稱三維卷積神經(jīng)網(wǎng)絡(luò)、用于動作識別的時空可變形三維注意網(wǎng)絡(luò)。在被引頻次超過100次的7篇核心論文中 ，美國主導(dǎo)發(fā)表3篇，分別來自加州大學(xué)伯克利分校和斯坦福大學(xué)，后者貢獻兩篇；中國主導(dǎo)發(fā)表2篇，分別來自中國科學(xué)院深圳先進技術(shù)研究院和天津大學(xué)；法國主導(dǎo)發(fā)表2篇，分別來自法國國家信息與自動化研究所和法國國家科學(xué)研究中心。

在13篇核心論文中，被引頻次最高的是加利福尼亞大學(xué)伯克利分校Jeff Donahue博士 2017年發(fā) 表在《IEEE Transactions on Pattern Analysis and Machine Intelligence^ 上 的 “Long-Term Recurrent Convolutional Networks for Visual Recognition and Description”，被引209次，文章提出一個長期時間遞歸卷積網(wǎng)絡(luò)（LRCN）模型，一種適用于大規(guī)模視覺學(xué)習(xí)的端到端可訓(xùn)練的新型遞歸卷積結(jié)構(gòu)，并展示了這些模型在基準(zhǔn)視頻識別任務(wù)、圖像描述和檢索問題以及視頻敘述挑戰(zhàn)方面的價值。被引頻次較高的論文 還包括斯坦福大學(xué)李飛飛團隊2017 年發(fā)表在 “International Journal of Computer Vision^ 上的“Visual Genome: Connecting Language and Vision Using Crowdsourced Dense Image Annotations"，該論文利用眾包 方法構(gòu)建了視覺基因組(Visual Genome)數(shù)據(jù)集，這是第—大 規(guī)模的視覺關(guān)系數(shù)據(jù)集，提供物體的交互和屬性的詳細標(biāo)簽，將語義和圖像結(jié)合起來，推動人工智能的進一步發(fā)展。Visual Genome是李飛飛教授團隊后ImageNet時代在計算機理解圖片上的訓(xùn)練和測試數(shù)據(jù)集的又一重要成果。

美國和中國各貢獻5篇核心論文,法國貢獻3篇，荷蘭和英國各貢獻2篇。從核心論文的機構(gòu)分布看，法國布列塔尼盧瓦爾大學(xué)、法國國家信息與自動化研究所和中國科學(xué)院各貢獻3篇并列第一，美國斯坦福大學(xué)貢獻2篇排名第二。

“面向視頻動作識別的深度神經(jīng)網(wǎng)絡(luò)研究”研究前沿中核心論文的Top產(chǎn)出國家和機構(gòu)

施引論文的角度來看,中國表現(xiàn)最突出，以630篇施引論文遙遙領(lǐng)先排名第二的美國（176篇），英國、澳大利亞、印度、 韓國等也表現(xiàn)不俗。施引論文Top產(chǎn)出機構(gòu)全部為中國機構(gòu)，中國科學(xué)院、天津大學(xué)、浙江大學(xué)位列前三甲，表明中國一批大學(xué)和科研機構(gòu)在該前沿迅速開展了跟進研究, 并產(chǎn)出了眾多研究成果。

“面向視頻動作識別的深度神經(jīng)網(wǎng)絡(luò)研究”研究前沿中施引論文的Top產(chǎn)出國家和機構(gòu)

1.3重點熱點前沿一“基于無人機的無線通信技術(shù)”

隨著物聯(lián)網(wǎng)應(yīng)用的普及，無線網(wǎng)絡(luò)將支持?jǐn)?shù)量龐大的接入設(shè)備， 當(dāng)前的蜂窩基礎(chǔ)架構(gòu)將迎接巨大的挑戰(zhàn)。而僅依靠部署傳統(tǒng)的地面基站很難實現(xiàn)萬物互聯(lián)，例如，在偏遠或者地勢險峻的區(qū)域部署地面基站面臨著成本高、部署難度大的問題；在災(zāi)害發(fā)生區(qū)域和體育賽場等緊急和臨時的特殊場景中，地面基站可能會出現(xiàn)過載甚至發(fā)生故障， 而臨時部署地面通信設(shè)施耗時且耗資巨大。隨著低成本、小型化和集成化無人機在民用和工業(yè)領(lǐng)域的廣泛應(yīng)用，將無人機作為空中基站輔助地面通信成為解決臨時性特殊區(qū)域通信問題的有效方案，也使搭載先進收發(fā)信機和智能傳感設(shè)備進行高速數(shù)據(jù)傳輸成為無線通信領(lǐng)域的又一新的研究熱點。在2021 年7月中國河南省多地遭遇強降雨期間，搭載了移動公網(wǎng)基站的“翼 龍” -2H無人機空中應(yīng)急通信平臺，實現(xiàn)了約50平方公里范圍5小時的連續(xù)穩(wěn)定移動信號覆蓋，打通應(yīng)急通信保障生命線。

熱點前沿“基于無人機的無線通信技術(shù)”包含11篇核心論文，聚焦于通過無人機軌跡優(yōu)化提高能量效率；下行通信中多用戶最小吞吐量的最大化方案，包括通過優(yōu)化多用戶通信調(diào)度和關(guān)聯(lián)以及無人機的軌跡和功率控制來實現(xiàn)，通過聯(lián)合優(yōu)化無人機軌跡和正交頻分多址資源分配來實現(xiàn)等；使用戶覆蓋數(shù)量最大化的無人機車載基站部署算法等。被引頻次在300次以上的論文共有5篇，其中4篇來自新加坡國立大學(xué)，另一篇來自美國弗吉尼亞理工大學(xué)。被引頻次最高的論文是新加坡國立大學(xué) Zeng, Yong等人于2016年發(fā)表在《IEEE Communications Magazine》 上 的 “Wireless Communications with Unmanned Aerial Vehicles: Opportunities and Challenges” 一文，被引729次。文章概述了無人機輔助無線通信的基本網(wǎng)絡(luò)架構(gòu)和信道特性，重點介紹了通信系統(tǒng)的 關(guān)鍵設(shè)計考慮因素，以及有待開發(fā)的新機遇。

新加坡貢獻了該前沿的大部分研究工作。從核心論文的機構(gòu)分布看，新加坡國立大學(xué)發(fā)表的核心論文最多；華為公司的法國研發(fā)中心與法國巴黎薩克雷大 學(xué)、美國弗吉尼亞理工大學(xué)和芬蘭奧盧大學(xué)合作發(fā)表2篇論文。

“基于無人機的無線通信技術(shù)“研究前沿中核心論文的Top產(chǎn)出國家和機構(gòu)

2.新興前沿及重點新興前沿解讀

2.1新興前沿概述

信息科學(xué)領(lǐng)域有1項研究入選新興前沿，“利用醫(yī)學(xué)影像檢測和診斷新冠肺炎的深度神經(jīng)網(wǎng)絡(luò)研究”。

2.2重點新興前沿解讀一“利用醫(yī)學(xué)影像檢測和診斷新冠肺炎的深度神經(jīng)網(wǎng)絡(luò)研究”

與新冠肺炎作斗爭的一個關(guān)鍵步驟是對受感染患者進行有效篩查，以便受感染的病人能夠立即得 到治療和護理，并被隔離以減輕病毒的傳播。如何利用先進的人工智能深度學(xué)習(xí)技術(shù)迅速、準(zhǔn)確地識別出新冠肺炎病情成為信息科學(xué)領(lǐng)域 的新興重點研究方向。

該前沿圍繞著如何利用深度學(xué)習(xí)技術(shù)在醫(yī)學(xué)影像數(shù)據(jù)中迅速識別新冠肺炎展開研究。在數(shù)據(jù)源方面，大部分研究使用X光片進行自動識別，有2篇文獻采用CT影像數(shù)據(jù)進行識別。在疫情初期，由于可用的數(shù)據(jù)集較小，部分研究采用數(shù)據(jù)增強的方法進行深度學(xué)習(xí)訓(xùn)練，提升對新冠肺炎的識別性能。在識別方法方面，涉及了輔助分類器生成對抗網(wǎng)絡(luò)（GAN）、深度遷移學(xué)習(xí)方法、多目標(biāo)差分進化卷積神經(jīng)網(wǎng)絡(luò)、Deep Bayes-Squeeze Net等。