脸书现在不只与纽约大学合作，加速MRI扫描速度，现在更因应COVID-19疫情发展需要，也开始共同开发机器学习模型，来协助医生判读COVID-19病患的病情，预测病患4天之后的病情发展，避免医生把有风险的患者送回家，也可以让医院预测和调度需要的氧气资源。
过去解决这个问题的研究，是使用监督式训练方法，但研究人员提到，虽然在监督式训练方法上，取得了一些进展，但是由于标记资料非常耗时，因此进展有限，所以现在他们选择使用自我监督式学习技术MoCo（Momentum Contrast），应用两个大型公共胸部X光片资料集MIMIC-CXR-JPG和CheXpert，对机器学习系统进行预训练。
通过先使用非COVID-19胸部X光片资料集来训练神经网络，让神经网络从X光片中截取资料，接着再使用NYU COVID-19资料集，对MoCo进行微调。研究人员使用预训练的模型，构建了分类器，用来预测COVID-19患者的病情是否会继续恶化。
NYU COVID-19资料集包含4,914例COVID-19患者的26,838张X光图像，以及在X光扫描之后的24、48、72和96个小时内，病情是否有继续恶化的标记资料。研究人员创建两种分类器来预测患者的病情恶化，第一种分类器与之前的研究相似，使用单一X光片来预测病情的恶化，第二个分类器则是利用Transformer模型汇总图像特征，对串行X光片进行预测，判断未来病患的病情是否会加重。
研究人员提到，使用自我监督式学习，而不依赖标记资料集非常重要，因为很少有研究小组拥有足够的COVID-19胸部X光片资料集，可用来训练人工智能模型。以串行X光片进行预测的人工智能模型，其价值在于复制放射科医生的工作方法，除了以串行X光片进行长期准确的预测之外，还能解释感染COVID-19后，病情随时间发展的变化。
根据纽约大学的研究，使用串行X光片模型预测长时间的加护病房需求、死亡率和不良事件发生，比人类专家更为准确，研究人员表示，能够预测患者是否需要氧气资源非常重要，因为可以帮助医院决定未来几周，甚至是几个月的资源分配，在全球COVID-19疫情更加严峻的现在，医院必须对即将到来的疫情高峰做好资源规划。
纽约大学放射科教授William Moore提到，这种人工智能算法，可以利用连续的X光照片，预测COVID-19病患的护理是否存在看护升级需求，由于COVID-19仍是当前主要公卫问题，因此预测病患看护需求，像是加护病房资源调度的能力，对于医院来说仍是非常重要的课题。
而且考虑到医院通常具有自己独特的资料集，但是不具备从头开始训练深度学习模型需要的运算能力，因此脸书与纽约大学开源了预训练模型，以便资源有限的医院，可以使用自己的资料，利用单个CPU就能完成模型微调。