Zi 字媒體

編譯：董俊 來源：techcrunch 如何將人工智慧、機器學習應用到醫療環境中？國外醫療行業一大批創新型科技公司興起。 據外媒稱，在人工智慧（AI）和機器學習（ML）的發展下，其醫療保健創新的步伐正在加速。很多衛生機構能夠將當前許多基於筆、紙的操作逐漸走向數字化，改變了以往緩慢的服務交付速度。 到目前為止，AI和ML在醫療保健領域的應用使該行業在這些領域承擔了一些最大的挑戰：個人遺傳學藥物發現疾病識別和管理 在對每個區域內存在的機會進行仔細評估時，很明顯，風險很高。因此，那些首先進行可持續產品差異化和增值的市場將受益匪淺。 1、迎來個人遺傳學的新時代 AI和ML在遺傳學中的最重要的應用是理解DNA如何影響生命。雖然最近幾年看到人類基因組的完整測序和掌握讀取和編輯它的能力，我們仍然不知道大多數基因組實際上告訴我們：基因與其他變數（例如食物，環境和身體類型）結合起來，不斷地發生作用。 如果我們要理解什麼影響生命和生物學，我們必須首先理解DNA的語言。這就是ML演算法的出現和系統的出現，如Google的Deep Mind和IBM的Watson。現在，比以往任何時候都更有可能消化大量的數據（例如患者記錄，臨床記錄，診斷圖像，治療計劃），並在短時間內執行模式識別，否則我們將花費一生的時間完成這些數據的數據的識別和消化。 像Deep Genomics這樣的企業在這個領域正在取得有意義的進展。該公司正在開發解釋DNA的能力，通過創建一個預測遺傳變異的分子效應的系統。他們的資料庫能夠解釋成千上萬的遺傳變異如何影響遺傳密碼。 該技術必須能夠訪問大量的數據，以便更好地制定個人的生活方式改變。 一旦更好地了解人類DNA，就有機會進一步向個人提供個性化的洞察，基於他們的特殊生物處置。這種趨勢表明了「個性化遺傳學」的新時代，個人通過獲得關於他們自己的身體的前所未有的信息能夠完全控制他們的健康。 消費者遺傳學公司，如23andMe和Rthm，代表了這一領域的幾個先行者。他們開發了消費者化的遺傳診斷工具，幫助個體了解他們的遺傳組成。使用Rthm，用戶可以更進一步，利用從他們的遺傳測試產生的見解，通過移動應用程序實現對他們日常生活的變化，所有這些都是實時的。 與AI / ML的任何應用一樣，該技術必須能夠訪問大量數據，以便更好地規劃個人的生活方式改變。專註於掌握個人遺傳學的交付的初創公司正在通過考慮以下主要活動來做到這一點，如日本研究員Takashi Kido所強調的： 獲得可靠的個人基因組數據和遺傳風險預測；進行行為模式分析人們對個人基因組的態度，以確定什麼樣的信息是有價值的/有幫助的，什麼類型的信息是有害的；數據挖掘科學發現；第二點是有趣的，因為不是關於患者的生物傾向的所有遺傳信息都是有生產力的。能夠以有利於心理健康的方式控制信息至關重要。 2、超靶向藥物是未來 AI / ML在醫療保健中的另一個令人興奮的應用是在藥物發現中降低成本和時間。新葯通常需要12~14年才能上市，平均成本徘徊在26億美元左右。在藥物發現過程中，針對不同細胞類型，遺傳突變和與特定疾病相關的其他病症的每種可能組合測試化合物。 由於這樣做的任務是耗時的，這限制了科學家可以看到攻破的實驗或疾病的數量。ML演算法可以允許計算機「學習」如何基於他們先前處理或選擇（並且在某些情況下甚至進行）需要進行什麼實驗的數據進行預測。相似類型的演算法也可用於預測特定化合物對人類的副作用，加速審批。 AI / ML在醫療保健領域的應用正在重塑行業，使以前不可能的事情成為一個有形的現實。 位於舊金山的初創公司Atomwise正在尋求在藥物開發過程中用超級計算機替換試管。該公司使用ML和3D神經網路篩選分子結構資料庫，以發現治療，幫助發現新的化合物對疾病的有效性，並確定現有的藥物可以重用以治療另一種疾病。 2015年，該公司應用其解決方案，發現了兩種可顯著降低埃博拉病毒感染性的新藥物。分析在一天內完成 ，而不是多年，這是常見的使用傳統的藥物開發方法。Insilico醫學最近的一項研究鞏固了Atomwise正在採取的方法，表明深層神經網路可用於預測藥物的藥理特性和藥物再利用。 Berg Health，一家位於波士頓的生物製藥公司，從不同的角度攻擊藥物發現。Berg使用AI來確定患者的生物數據，以確定為什麼一些人可以與疾病共存，然後應用這種洞察來改善當前的治療或創造新的治療。BenevolentAI，一家位於倫敦的創業公司，旨在通過利用AI來尋找科學文獻中的模式來加速藥物發現過程。因為每30秒就會發布一次新的醫療保健相關研究，但事實上其中只有一小部分全球生成的科學信息被科學家實際使用， BenevolentAI能夠對大量數據進行分析，為專家提供他們所需的部分，大大加快藥物發現和研究。最近，該公司發現了兩種可能用於阿爾茨海默病的潛在化合物，吸引製藥公司的注意。 隨著ML和AI的進展繼續，藥物發現的未來看起來很有希望。 最近的一份Google Research研究報告指出，使用各種來源的數據可以更好地確定哪些化合物將作為「多種疾病的有效藥物治療」，以及機器學習如何通過大規模測試數百萬種化合物來節省大量時間。 3、發現和管理新疾病 大多數疾病遠不止是簡單的基因突變。儘管醫療保健系統產生大量（非結構化）數據，這正在逐漸提高質量，我們以前沒有必要的硬體和軟體來分析它併產生有意義的洞察。 疾病診斷是一個複雜的過程，涉及多種因素，從患者皮膚的質地到他或她在一天消耗的糖量。在過去的2000年中，醫學已經通過癥狀檢測來治療，其中根據患者的癥狀診斷患者的疾病（例如，如果你有發熱和鼻塞，你很可能患有流感）。 但通常可檢測的癥狀的到來太晚了，特別是當處理諸如癌症和阿爾茨海默病的疾病時。有了機器學習，希望疾病的微弱特徵可以在可檢測的癥狀之前發現，增加存活的可能性（有時高達90％）和治療選擇。 機會繼續增長，並激勵醫療從業者找到新的方法，以提高我們的健康和福祉。 Freenome，一家位於舊金山的創業公司，創建了一個自適應基因組引擎，幫助動態檢測血液中的疾病特徵。為了做到這一點，公司使用你的freenome - 浮動在你的血液中的遺傳物質的動態收集，隨著時間的推移不斷變化，並提供一個基因組溫度計，你是你的成長，生活和年齡。 當疾病的診斷和治療計劃來看，公司如 Enlitic都集中在通過耦合與醫療數據深度學習提煉數十億的臨床病例可操作的見解改善患者的預后。IBM的Watson正與紐約的Memorial Sloan Kettering合作，消化大量癌症患者的數據，以及數十年來使用的治療方法，為醫生處理獨特的癌症病例提供建議。 在倫敦，Google的Deep Mind正在通過Moorfields眼科醫院的醫療記錄進行挖掘，分析眼睛的數字掃描，以幫助醫生更好地了解和診斷眼病。同時，Deep Mind還有一個項目，幫助患有頸部和頭部癌症的患者進行放射治療繪圖，為腫瘤科醫生節省了數小時的計劃，使他們能夠專註於更多的面向患者護理的任務。 這是什麼意思呢？ AI / ML在醫療保健領域的應用正在重塑行業，使以前不可能的事情成為一個有形的現實。 為了使AI / ML在醫療保健中變得普遍，持續獲取相關數據對於成功至關重要。系統可以攝取的專有數據越多，它將變得「更聰明」。因此，公司將竭盡全力收購數據。例如，IBM於2016年2月 以26億美元的價格收購了醫療保健分析公司Truven Health，主要是為了獲得他們的數據和見解庫。此外，他們最近與美敦力合作，通過獲取實時胰島素數據，進一步提高沃森對糖尿病意識的能力。 隨著數據變得更加豐富，技術不斷發展，機會不斷增長，激勵醫療從業者尋找新的方法來提高我們的健康和福祉。