點擊上方關注，All in AI中國
機器學習在製藥和生物技術效率方面取得了巨大進步。這篇文章總結了今天AI在醫學中的四大應用：
1.診斷疾病
正確診斷疾病需要多年的醫療培訓。即便如此，診斷通常是一個艱鉅而耗時的過程。在許多領域，對專家的需求遠遠超過現有供應。這使醫生處於緊張狀態，並經常延誤挽救生命的患者診斷。
機器學習，特別是深度學習算法，最近在自動診斷疾病方面取得了巨大進步，使診斷更便宜、更容易獲得。
機器如何學習診斷
機器學習算法可以學習與醫生看到的模式類似的模式。一個關鍵的區別是算法需要很多具體的例子才能學習。這些例子需要進行數字化，因為機器無法讀取教科書中的內容。可見，機器學習在醫生檢查的診斷信息已經數字化的區域特別有用。
如：
- 基於CT掃描檢測肺癌或中風
- 根據心電圖和心臟MRI圖像評估心源性猝死或其他心臟病的風險
- 分類皮膚圖像中的皮膚病變
- 尋找眼睛圖像中糖尿病視網膜病變的指標
AI診斷疾病的例子
由於在這些情況下有大量可用的數據，因此算法在診斷方面與專家一樣好。不同之處在於：該算法可以在幾分之一秒內得出結論，並且可以在全世界範圍內以低成本再現。很快，每個人都能夠以低廉的價格獲得相同質量的放射診斷專家。
更高級的AI診斷即將推出
機器學習在診斷中的應用才剛剛開始 - 更雄心勃勃的系統涉及多種數據源（CT、MRI、基因組學和蛋白質組學、患者數據、甚至手寫文件）的組合，以評估疾病或其進展。
AI不會很快取代醫生
相反，人工智能系統將被用來為專家突出潛在的惡性病變或危險的心臟模式——讓醫生專注於這些信號的解釋。
2.更快地開發藥物
開發藥物是一個非常昂貴的過程。使用機器學習則可以提高藥物開發中涉及的許多分析過程的效率，這有可能削減多年的工作和數以億計的投資。
人工智能已成功應用於藥物開發的所有4個主要階段：
第一階段：確定干預目標
藥物開發的第一步是瞭解疾病的生物起源（途徑）及其抵抗機制。然後你必須確定治療疾病的良好目標（通常是蛋白質）。高通量技術的廣泛應用，例如短髮夾RNA（shRNA）篩選和深度測序，極大地增加了可用於發現可行靶途徑的數據量。但是，使用傳統技術、集成大量和多種數據源仍然是一個挑戰，然後找到相關的模式。
機器學習算法可以更輕鬆地分析所有可用數據，甚至可以學習自動識別好的目標蛋白質。
第二階段：發現候選藥物
接下來，您需要找到一種能夠以所需方式與識別的目標分子相互作用的化合物。這包括篩選大量（通常數千甚至數百萬）潛在化合物對靶標的影響（親和力），更不用說它們的脫靶副作用（毒性）。這些化合物可以是天然的、合成的或生物工程的。
然而，當前的軟件通常是不準確的並且會產生許多不好的建議（誤報），因此需要很長時間才能將其縮小到最佳候選藥物（稱為潛在客戶）。
機器學習算法在這裡也有幫助：他們可以學習根據結構指紋和分子描述符預測分子的適用性。然後，他們通過數以百萬計的潛在分子進行燃燒，並將它們全部過濾到最佳選擇，那些副作用最小的那些。這最終節省了藥物設計的大量時間。
第3階段：加快臨床試驗
現實生活中，很難找到適合臨床試驗的候選人。 如果您選擇了錯誤的候選人，則會延長審判時間，耗費大量時間和資源。
機器學習可以通過自動識別合適的候選人以及確保試驗參與者群體的正確分發來加速臨床試驗的設計。 算法可以幫助識別將好候選人與壞人分開的模式。 它們還可以作為臨床試驗的早期預警系統，不會產生確鑿的結果，只是使得允許研究人員更早地進行干預，並可能挽救藥物的開發。
第4階段：尋找用於診斷疾病的生物標誌物
一旦確定您的診斷，您只能治療患者的疾病。有些方法會非常昂貴，涉及複雜的實驗室設備以及專業知識，例如全基因組測序。
生物標誌物是在體液（通常是人體血液）中發現的分子，其提供關於患者是否患有疾病的絕對確定性。他們使診斷疾病的過程安全且便宜。
您還可以使用它們來確定疾病的進展，使醫生更容易選擇正確的治療方法並監測藥物是否有效。
但是，針對特定疾病發現合適的生物標誌物很難。這是另一個昂貴、耗時的過程，因為涉及篩選數以萬計的潛在分子候選物。
AI可以自動完成大部分手動工作並加快流程。算法將分子分為好的和壞的候選者，這有助於臨床醫生專注於分析最佳前景。
生物標誌物可用於識別：
- 儘早存在疾病 - 診斷生物標誌物
- 患者患上疾病的風險 - 風險生物標誌物
- 疾病的可能進展 - 預後生物標誌物
- 患者是否會對藥物預測生物標誌物做出反應
不同的患者對藥物和治療方案的反應不同。因此，個性化治療具有增加患者壽命的巨大潛力。但很難確定哪些因素會影響治療方案的選擇。
機器學習可以自動完成這項複雜的統計工作，並幫助發現哪些特徵表明患者對特定治療有特定的反應。因此，該算法可以預測患者對特定治療的可能反應。
系統通過交叉引用類似患者並比較他們的治療和結果來了解這一點。由此產生的結果預測使醫生更容易設計正確的治療計劃。
定期集群間隔的短迴文重複(CRISPR)，特別是用於基因編輯的CRISPR- cas9系統，是我們高效、準確地編輯DNA的能力的一大飛躍——就像外科醫生一樣。
這種技術依賴於短引導rna (sgRNA)來定位和編輯DNA上的特定位置。但是，引導RNA可以適合多個DNA位置，這可能會導致非預期的副作用(非目標效應)。謹慎選擇副作用最小的引導RNA是CRISPR系統應用的主要瓶頸。
機器學習模型已經被證明在預測給定sgRNA的引導，目標交互程度和非目標影響程度時能夠產生最好的結果，這可以顯著加快人類DNA每個區域的引導RNA的發展。
總結
人工智能已經幫助我們更有效地診斷疾病、開發藥物、個性化治療，甚至編輯基因。但這僅僅是個開始。我們越數字化和統一我們的醫療數據，我們就越能使用人工智能來幫助我們找到有價值的模式——我們可以使用這些模式在複雜的分析過程中做出準確、經濟的決策。
閱讀更多 AI中國 的文章
