首页 > 科技 > 人工智能:医学研究变革的秘密武器?

人工智能:医学研究变革的秘密武器?



撰文 王冠琳

编辑/制版 健康学人

人工智能也就是人们所熟知的AI(Artificial Intelligence),是利用计算机学习人类思维模式的科学。近年来,人工智能在多个领域迅猛发展,取得的成绩也令人叹为观止。2016年5月,人工智能阿尔法围棋(Alpha Go)在乌镇以3:0击败中国围棋职业九段棋手柯洁仿佛还是昨天发生的事情。如今,人工智能已经走进了我们生活的方方面面,例如智能物流、人脸识别、人工导航等等。同样,现在医学研究领域,人工智能也开始大放异彩

  • 智能助力疾病诊断

人工智能是通过可靠的训练集构建数学模型,再对得到的数据进行拟合分析。

2019年8月,《自然-医学》杂志上一篇文章报道,研究人员通过建立自动识别肿瘤细胞的深度学习模型,开发了一套可以分辨健康组织和癌症组织的人工智能系统。研究人员利用该系统测试了约4.4万个包含癌症组织(前列腺癌,皮肤癌和乳腺癌)病理切片。结果表明,该系统可以帮助医生排除约75%的无病变组织切片,同时保证100%的准确性,因此非常有希望应用于未来疾病监测。

除了用于癌症检测,人工智能也被应用到其他疾病检测。2019年7月发表在《美国科学院院刊》上的一篇文章中,研究人员将人工智能预测技术应用到了早期自闭症的检测。一般情况下,自闭症儿童出生几年后才会被发现和确诊,但是这时候干预治疗效果并不好。如果能够在早期检测和确诊自闭症,这对于自闭症患儿及其家属将是莫大的福音。

来自波士顿儿童医学的科学家发现可以通过算法,测量瞳孔的扩张情况以及心率早期诊断6至18个月的自闭症以及Rett综合征等神经发育障碍疾病。研究人员对自闭症模型小鼠进行了瞳孔波动的测量,发现在自闭症出现前,大脑通过的自发波动就已经出现了变化,进一步研究发现这和胆碱信号相关。

根据小鼠的结果,研究人员建立了算法、随后将该算法应用于35名女婴患者和40名正常发育的女婴的数据中,结果显示,在一岁和两岁的婴儿检查准确率达到了80%。

人工智能助力新药开发

新药的上市一般需要经过漫长的研究阶段,包括前期设计、筛选、动物实验以及临床三期试验。每年都有大量的准新药“跪倒”在最后的临床试验中,因此新药研发是一个缓慢又昂贵的过程。通常,一种新药从研发到最后上市需要花费平均10-15年时间并且要花费20亿美元左右,其中一半的时间和资金会用于临床试验。

尽管人工智能尚未对临床试验产生重大影响,但是基于人工智能的模型正在帮助科学家进行实验设计,例如患者招募、提高研究的重复性和减少失败率等。根据埃森哲的报告估计,到2026年,人工智能与制药领域碰撞产生的火花可达1500亿美元。

人工智能可以通过两种方式提高临床实验的成功率:监测有效的生物标志物和表征最适合的患者亚群。一般情况下,许多药物在临床三期试验中失败不是因为药物无效,而是因为缺乏足够的合适的病人种类。初创企业、大公司、监管机构和政府都在探索和推广人工智能用以改善临床试验设计,我们现在看到的主要是早期阶段,概念验证和可行性试点研究,但是人工智能技术在提高临床试验方面的巨大潜力。

2019年9月份,来自中科院上海药物所的科学家们通过一种基于注意力机制的图神经网络模型的人工智能方法,开发了新的药物表征方法,从化合物的性质中应用已有的经验,能帮助药物学家更深入的理解药物化合物的性质,从而有助于加快药物开发的进程。

人工智能医学应用的思考

医学人工智能是一个连接医学、制药、数据科学和工程的不断发展的领域。随着数据量的爆炸性增长,更加准确的模型,能够帮助医学工作者更加直接、高效、精准的了解疾病进程,加速药物的开发过程。

不过,从“在线”发表文章到“线下”落地,人工智能技术的应用还有很长的一段路要走。人工智能算法往往依赖于大量的数据来进行训练和测试,往往需要共享数据资源,如何在大学、研究所、公司、国家的科学研究中,保障患者的隐私也是亟待规范的问题。

除了患者的隐私,人工智能的结论来源于数据模型,如果在临床上安全的验证模型的预测和稳定性,如何在临床上评估其有效性和异常值,如何综合人工智能的诊断的结果和临床证据,人工智能技术怎样临床应用安全性也值得深思。

下一代医学人工智能专家将需要具有分析、算法编码和技术集成方面的广泛知识,同时也需要评估数据隐私、安全性和可访问性,以及将人工智能技术应用于敏感医疗信息的道德水平。如何平衡好科技创新、服务大众和保证隐私,同时加强下一代人工智能领域的教育,都是需要解决的问题。


推荐阅读

自闭症筛查应在儿童多大时进行?

社交媒体带来焦虑抑郁和网络暴力,但戒网救不了年轻人

HPV疫苗接种越早,效力越高。最佳接种年龄是多大?

孕妈接种流感疫苗对孩子健康有影响吗?教育,都是需要解决的问题


参考文献:

1. Campanella G, Hanna M G, Geneslaw L, et al. Clinical-grade computational pathology using weakly supervised deep learning on whole slide images[J]. Nature medicine, 2019, 25(8): 1301-1309.

2. Artoni P, Piffer A, Vinci V, et al. Deep learning of spontaneous arousal fluctuations detects early cholinergic defects across neurodevelopmental mouse models and patients[J]. Proceedings of the National Academy of Sciences, 2019: 201820847.

3. 题图:https://unsplash.com/photos/XJXWbfSo2f0

4. Xiong, Z, Wang, D,; et al..Pushing the boundaries of molecular representation for drug discovery withgraph attention mechanism. J Med Chem. 2019,https://doi.org/10.1021/acs.jmedchem.9b00959

5. The practical implementation of artificial intelligence technologies in medicine

版权声明:

本文由《健康学人》负责编译,欢迎转发。投稿、转载及商务合作请联系:healthcaresci@hotmail.com,或添加微信号JKXR_KK进行咨询。。

本文来自投稿,不代表本人立场,如若转载,请注明出处:http://www.souzhinan.com/kj/282103.html