为了应对这场全球流行病，白宫和一个研究小组联盟在全球最大的在线数据科学社区Kaggle上发布了CORD19数据集。进一步了解冠状病毒和其他疾病的目标引起了卫生政策、研究和医学界的关注。根据《自然》杂志的这篇文章，Kaggle challenge自3月中旬推出以来，已经收到了近200万的页面浏览量。

研究人员和公众可以免费获得的数据集，淘客查询，包含了超过15万篇学术文章，阿里大数据，数千篇仅在COVID-19上，几乎不可能保持最新的文献。此外，有数以百万计的医学出版物提供的信息可以增强我们对COVID-19和其他疾病的科学理解。然而，这些文献中的许多并不容易被机器所消耗，并且很难用现代自然语言处理工具进行消化和分析。在公司外部，这是一组被称为机器学习Google开发者专家（mlgdes）的数据科学家。他们是来自世界各地的人工智能从业者的高技能社区。在googlecloudcredits和TensorFlow研究云（TFRC）的支持下，ML-GDEs开始解决理解研究文献的问题。虽然不是医疗专家，他们很快意识到，通过将大数据和人工智能的知识应用到生物医学领域，他们可以帮助应对当前的危机。

该团队于4月份以"人工智能与COVID-19"（aiscovid19.org）这个大胆的名字走到一起，并确立了使用最先进的机器学习和云技术来帮助解决问题的目标生物医学研究人员更快地从研究文献中发现新的见解。

设计数据集

ML GDE团队的第一步是接触生物医学研究人员，以更好地了解他们的工作流程、工具、挑战，最重要的是，了解医学文献中的"相关性"。他们发现了一些共同的见解：

当前人工智能革命的支柱之一是这些系统在分析更多数据时变得更好的能力。最近的工作（BERT，XLNEt，T5，GPT3）使用数百万个文档来训练用于自然语言处理任务的最先进的神经网络。

基于这些见解，多线云主机，云服务器主机，他们决定帮助研究团体的最佳方法是创建一个包含大量论文的单一数据集，然后以机器可用的格式提供该数据集。受开放获取运动和倡议（如Chan Zuckerberg Institute's Meta）的启发，他们试图找到尽可能多的相关和独特的、免费提供的出版物，并将其收集到一个易于访问的数据集中，该数据集专门用于训练人工智能系统。

介绍BREATHE

生物医学研究广泛档案，以提供帮助Everyone（BREATHE）是一个大型生物医学数据库，包含顶级生物医学研究资料库的条目。该数据集包含超过1600万篇以英文发表的生物医学文章的标题、摘要和全文（在许可证允许的情况下）。他们在2020年6月发布了第一个版本，并期望发布新的版本，因为他们的搜索爬虫会不断更新文章的语料库。收集最初用不同语言（英语除外）撰写的文章是关于如何进一步改进数据集及其试图获取的特定领域知识的想法之一。

虽然有几个COVID-19特定的数据集，但BREATHE的不同之处在于：

，大数据公司