當醫(yī)藥行業(yè)遇上人工智能，AI 是否能為特效藥“降降溫”

來源：湖北國菱編輯部 時間：2018-07-13

近期，《自然》上發(fā)表了一項研究成果——由全國多家科研機構白血病科學家組成的研究小組使用血液檢測和機器學習，以達到預測健康個體是否有患急性骨髓性白血病（AML）的風險。

這意味著我們今后對AML的出現(xiàn)有預警，并能夠提早發(fā)現(xiàn)AML的高風險人群并進行監(jiān)測，同時可以進行研發(fā)，尋找降低該疾病患病幾率的方案。

隨著進一步研究，研究人員通過機器人學習模型，在大數(shù)據(jù)變量的支撐下，構建了AML預測模型，其可以在診斷前6-12個月內(nèi)，就能夠實現(xiàn)對AML預測，其靈敏度和特異性分別達到25.7%和98.2%。

《我不是藥神》電影中，矛盾的聚焦點就在于天價的“格列寧”，新藥貴，貴在研發(fā)，研發(fā)的“試錯”環(huán)節(jié)，AI也許能夠幫上大忙。

從目前智慧醫(yī)療的發(fā)展情況來看，擅長模式識別的人工智能可以從海量已有的和新的基因、代謝及臨床信息中篩查篩選，以破解各種疾病背后的復雜網(wǎng)絡。反過來，這也有助于發(fā)現(xiàn)適用于特定病人群體的藥物，同時引導藥企規(guī)避可能會失敗的藥物。

此外，借助人工智能的生物意義，可以幫助藥企根據(jù)病人情況，并參與對他們最可能見效的創(chuàng)新療法的臨床試驗，這也許能夠成為提升新藥獲批的可能性，比如獲得美國FDA的批準。

實際上，醫(yī)藥研發(fā)的核心在于知識圖譜，就是將實驗信息、數(shù)據(jù)、臨床實驗結果和數(shù)據(jù)的結合起來，將零散的數(shù)據(jù)整合在一起，從而為決策提供有價值的數(shù)據(jù)支持。

從目前來看，人工智能主要作用于藥物研發(fā)主要有七個場景：靶點藥物研發(fā)、候選藥物挖掘、化合物篩選、預測ADMET性質、藥物晶型預測、輔助病理生物學研究，以及發(fā)掘藥物新適應癥。

其實，我們也可以看到，AI在智慧醫(yī)療領域的每一步，其中都撇不開一個重要因素：藥物數(shù)據(jù)。

AI通過機器學習，不但可以加速時間，還可以提高到達后期試驗階段藥物的成功概率。如果AI可以減少藥物試驗的風險，就可以為大型制藥公司節(jié)約大量成本，使其能夠騰出資源集中于尋找更有潛力的機會。

除了藥物數(shù)據(jù)，醫(yī)療數(shù)據(jù)也成為醫(yī)生診斷及后續(xù)藥物研發(fā)的重要依據(jù)。隨著健康智能硬件的興起，醫(yī)療數(shù)據(jù)的邊界不斷地被拓展。

醫(yī)療數(shù)據(jù)可不僅僅是醫(yī)學期刊和醫(yī)生輸入電腦的醫(yī)療記錄，我們的身體無時無刻不在產(chǎn)生海量的潛在醫(yī)療數(shù)據(jù)。但是目前來說，絕大部分的數(shù)據(jù)都處于“丟失”的狀態(tài)——我們每天走了多少步、今天的心率怎么樣、皮膚的溫度是高還是低、今天都吃什么了等等這些數(shù)據(jù)，都只保存在本地、孤零零的幾個設備和App里。

對AI醫(yī)療來說，數(shù)據(jù)的重要性不言而喻。不論是應用于藥物研發(fā)還是診斷治療方面，都有著相當大的前景，但是AI在小樣本集上做的診斷或推定，被認為是不可持久的模式，因為一旦再擴大一點范圍，換一個病種、換一個地方，結果可能就出現(xiàn)偏差，正確率下降。

總的來說，AI醫(yī)療發(fā)展至今已經(jīng)有了長足的進步，雖然許多AI醫(yī)療產(chǎn)品暫未落地，但是不是病人的“藥神”，我們走著瞧。