找回密码
 注nanjixiong2017册

QQ登录

只需一步,快速开始

发表帖子

人工智能在医药健康领域的应用

[复制链接]
t01cf8b9c10ed872c8a.jpg

人工智能(Artificial Intelligence,AI)是计算机科学的一个分支,它企图了解人类智能的实质,并试图生产出一种新的能以人类智能相似的方式作出反应的智能机器,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。1956年,John McCarthy(斯坦福AI实验室主任,图灵奖得主,AI之父)组织AI达特茅斯暑期研究项目研讨会,第一次使用Artificial Intelligence,被认为是人工智能的正式诞生。
  AI经历了从上个世纪六七十年代的火热、七八十年代寒冬到近几年的爆发式增长。AI的重新兴起,主要得益于以下几个方面的重大进展:
  1.硬件成本降低,性能更加可靠,感知和声像技术的发展使得机器人制造更容易;
  2.互联网的发展使得搜集大量数据成为可能,同时也为深度学习提供了有力的条件;
  3.计算能力、储存能力和处理数据的能力大大提高。  一、AI在医药健康领域的应用现状

  人工智能应用医药健康领域已是大势所趋。对人工智能在医药健康领域的应用主要基于多方面的客观现实:优质医疗资源供给不足、成本高、医生培养周期长、误诊率高、疾病谱变化快和医疗服务需求持续增加等等。AI在医疗领域的应用大体可以分为四个方面:医疗机器人、智能影像识别、辅助诊断和药物研发。
  1.医疗机器人
  传统意义上的机器人主要是指具备传感器、智能控制系统和驱动系统等要素的机械。随着人工智能的发展,医用机器人即使没有驱动系统,也能通过独立的智能控制系统进行手术操作。它代替医生诊断某些疾病或做出人类大脑本身无法做到的一些高智能的运算,基于大数据来选择最佳的治疗方案和预后预测等。
  IBM的沃森认知健康系统中的Watson for Oncology是目前世界上癌症治疗领域最先进的机器人。这款机器人由IBM公司与美国肿瘤治疗领域的权威医院——纪念斯隆凯特琳癌症中心共同开发,它可以在数秒钟内阅读患者的文字、影像和病历资料,检索上百万已发表的科学文献及上千万页的肿瘤治疗指南等相关资料,从中提炼总结出适合癌症患者的精准诊断和治疗方案。该系统已被Watson Health部署到了许多顶尖的医疗机构,如克利夫兰诊所和MD安德森癌症中心,提供基于证据的医疗决策系统。2015年,日本东京大学医学院研究所确诊一位60岁的日本女性患了急髓白血病,但在经历各种疗法后,效果都不明显。无奈之下,研究所只好求助 IBM Watson,而IBM Watson则通过对比2000万份癌症研究论文,分析了数千个基因突变,最终确诊这位60岁的日本女性患有一种罕见的白血病,并提供了适当的治疗方案。整个过程IBM Watson只用了短短10分钟。
  2.智能影像识别
  在智能影像识别方面,人工智能的应用主要分为两部分:一是图像识别,应用于感知环节,其主要目的是将影像进行分析,获取一些有意义的信息;二是深度学习,应用于学习和分析环节,通过大量的影像数据和诊断数据,不断对神经元网络进行深度学习训练,促使其掌握诊断能力。作为医生,从CT、核磁共振等图像判断一个非常小的阴影,是肿瘤是炎症还是其他原因,需要丰富临床经验的积累。如果通过大数据,通过智能医疗,就能够迅速得出比较准确的判断。
  3.辅助诊断
  随着深度学习算法的逐渐普及,通过建立深度学习神经元数学模型,从海量医疗影像诊断数据中挖掘规律,学习和模仿医生的诊断技术,从而给出可靠诊断和治疗方案,现已成为发达国家医院不可缺少的医疗组件。谷歌的人工智能算法在乳腺癌诊断上表现出了很高准确度;苹果公司最近收购了Lattice,该公司在开发医疗诊断应用的算法方面具有很强能力。
  4.药物开发
  开发一种有效的药物是一个非常艰难的过程。传统的科学方法是科学家首先想出一种假设,然后制药公司测试这个假设,从数十万种化合物中筛选其中可能和蛋白质发生化学反应的化合物,成为潜在的药物,这些潜在的药物还要经过多轮的筛选及漫长的三期临床试验。即使能够进入临床试验,最后能够通过FDA批准的也不到百分之一。在智能药物研发方面,则是将人工智能中的深度学习技术应用于药物研究,通过大数据分析等技术手段快速、准确地挖掘和筛选出合适的化合物或生物,达到缩短新药研发周期、降低新药研发成本、提高新药研发成功率的目的。人工智能通过计算机模拟,可以对药物活性、安全性和副作用进行预测。目前借助深度学习,人工智能已在心血管药、抗肿瘤药和常见传染病治疗药等多领域取得了新突破,在抗击埃博拉病毒中智能药物研发也发挥了重要的作用。
  二、人工智能是药物研发的未来

  1.人工智能推动药物研发转型升级
  AI可应用于药物开发的不同环节,包括锁定致病蛋白质、筛选对蛋白质起作用的药物成分、药物有效性/安全性预测、构建新型药物分子、筛选生物标志物和研究新型组合疗法等。
  药企对AI技术的兴趣主要源于这样一个事实:传统的药物研发耗时耗力,且失败率高,人工智能让药物研发“先假设再验证”的传统模式180度翻转。传统的药物开发是一个不断试验、不断试错的过程,在这种思路下,药物从最初的实验室研究到最终摆放到药柜销售平均要花费12年时间。目前,业界尝试利用人工智能开发虚拟筛选技术,以取代或增强传统的高通量筛选(HTS)过程,并提高筛选的速度和成功率。
  擅长模式识别的人工智能可以从海量的已有和新的基因、代谢及临床信息中筛查筛选,以破解各种疾病背后的复杂生物网络,从而助力适用于特定病人群体的药物,同时引导药企规避很可能会失败的药物。Berg Health的总裁Niven Narain指出,人工智能驱动的药物实验同传统药物实验的最大区别在于,“我们并不预先作出任何假设。我们决不允许根据人的假设来生成数据。我们根据从病人那里获取的数据来生成假设。”
  一种物质变成药物,必须要具备安全性、有效性的特征,而在新药研发过程中提前预测,则可以极大程度地提高研发成功率。“许多原因都可能导致药物研发失败。”遗传流行病学家Aroon Hingorani说,“然而,其中一个主要的原因是没能针对疾病选择正确的靶标。”Hororani的小组建立了一个将基因信息、蛋白质数据结构和已知药物的作用过程相结合的预测模型。最终,他们获得了将近4500种潜在药物靶标,相比之前预测的可成药人类基因组数量,翻了一倍。然后,两名临床医生梳理出了具有正确形状和化学物质的144种药物。由于这些药物此前已经通过了安全测试,这意味它们可以很快被用于治疗其他疾病。对于药物开发商来说,时间就是金钱。
  人工智能对药物研发的助力还包括:发现新药或者老药新用,借助人工智能获知的生物学数据,也能帮助药企更好地确定并招募病人,以参与对他们最可能见效的创新疗法的临床试验,或许也能提升新药获监管机构批准的可能性,比如获得美国FDA批准。
  2.全球顶尖制药公司都在利用AI改进、简化新药研发过程
  近日,葛兰素史克公司(GSK)与苏格兰的Exscientia公司达成合作,交易涉及金额约为4300万美元。Exscientia是一家初创公司,主要业务是利用AI进行药物研发指导。双方合作之后,Exscientia将利用其AI药物研发平台为GSK进行10个创新小分子药物疾病的靶点开发,该公司的AI系统只需相当于传统方法四分之一的时间和成本即可完成新药候选。
  强生伦敦创新中心与英国的Benevolent AI公司进行了合作,将一些处于试验中的小分子化合物转交给了Benevolent AI公司进行开发。Benevolent AI是一家致力于人工智能技术开发和应用的公司,该公司的核心技术是一个叫做JACS(Judgment Augmented Cognition System,判断加强认知系统)的人工智能系统,可以更快更好的开发新药,避免代价高昂的临床试验失败。根据合作协议,BenevolentAI将利用人工智能系统来指导临床试验的进行和数据的收集,他们计划最早在2017年中展开2b期临床试验。
  Numerate公司成立于2007年,该公司的创新药物设计平台运用基于机器学习技术来模拟小分子化合物的药物特性,比如靶点结合能力和特异性,药物动力学和药物代谢特性,以及毒副作用。这一平台的药物筛选流程会依据特定的药物活性从包含一兆个模拟化合物的化合物库中选出2500万个化合物进行模拟测试。这个过程只需要一周就可以完成,每个模拟化合物的测试成本为0.01美分。化学家会对测试结果进行分析,挑选出最有希望的模拟化合物进行合成和实验。目前该公司的药物研发管道包含治疗代谢疾病,心血管疾病和阿兹海默病的候选药物。
  除了欧美药企,日本药企也积极面对新科技。日本政府于2016年推出了一个研究联盟,旨在帮助国内数十家公司和机构使用日本K超级计算机,从而提高药物发现效率。日本武田药品工业、富士胶片及盐野义制药等近50家日本企业将参加利用人工智能推进新药开发的项目。在项目中,企业将与理化学研究所和京都大学合作,组成100人规模的团队推进开发。东京的Takeda公司与Numerate进行合作,筛选靶标分子,设计和优化化合物,对药物吸收、分布、代谢和排除以及毒性进行建模,为Takeda提供临床试验候选药物。
  三、国内AI在医药健康领域应用的机遇和挑战

  中国的医疗资源缺乏,尤其是优质医疗资源严重不足,并且集中在少数三甲医院,基层和社区的医疗水平和效率都亟待提高。在大力加强专业医疗人才的培养的同时,人工智能就是一个创新的解决办法。
  AI在医疗诊断方面的应用在国内刚刚起步, AI可以满足高端和低端两个方向:高端是指为三甲医院的专科提供服务,如IBM Watson for Oncology 就是一个很好的例子。而IBM Watson并不一定适合中国的国情,它是按照西方的病例训练出来的,我们需要开发自己的肿瘤及其它专科病的AI系统。而“低端”是针对基层全科医生的诊断系统,与专科诊疗系统不同,基层全科医生的诊断系统更注重常见病的诊断治疗,标准临床路径的执行等。
  需要强调的是,人工智能并不一定要解决高大上的问题。如用手机加上人工智能,可以鉴别诊断皮肤癌,其准确度超过了一般的病理医生。在智能机器人方面,随着3D打印技术的普及,可穿戴设备发展迅速,许多可穿戴设备/机械人都需要配置相应的智慧系统,AI大有用武之地。我们知道人类有3万多种疾病,每一种疾病的AI分析软件都可以变成一种成熟的产品,可以说商机无限。
  在医疗中实施机器学习和人工智能会遇到很多众所周知的挑战。第一是缺乏“专业数据库”,而另一个就是设计技术解决方案,并顺利将其运用到临床实践和科研中去。AI领域有句老话“只要有足够的数据,任何问题都可以解决”。这句话未必全对,但从侧面说明了数据在AI应用中的重要性。我国的患者资源非常丰富,但是高质量的、干净的,但有高质量完整的临床标注的数据库资源并不多。产品做出来之后如何在医疗系统中落地也是难题,一个医院可能有几十家系统厂商和上百个数据接口。
  四、医学人工智能真正落地需要全产业链配合

  要真正实现医疗产业的人工智能化,仅靠单方面的力量难以实现,这需要依托全产业链包括医疗主管部门、医疗机构的参与和信息化服务商等各个环节的共同努力。同时在产品的设计和研发上,需要数学家、计算机科学家或医学专家的联合攻关,任何单一力量都无法实现产品的推出。但中国依然要快速追赶,中国可以成立国家级的医学人工智能工程中心,由国内在医学、药学、信息技术专业具备一流水平的综合性高等院校牵头,吸引大数据应用企业、人工智能开发企业、药品研发企业等共同参与,加速研发更多适用于国人的人工智能医学系统,满足我国医疗领域的应用需求。
来源:        同花顺上市公司

使用道具 举报 回复
您需要登录后才可以回帖 登录 | 注nanjixiong2017册

本版积分规则