点击上方关注，All in AI中国
机器学习在制药和生物技术效率方面取得了巨大进步。这篇文章总结了今天AI在医学中的四大应用：
1.诊断疾病
正确诊断疾病需要多年的医疗培训。即便如此，诊断通常是一个艰巨而耗时的过程。在许多领域，对专家的需求远远超过现有供应。这使医生处于紧张状态，并经常延误挽救生命的患者诊断。
机器学习，特别是深度学习算法，最近在自动诊断疾病方面取得了巨大进步，使诊断更便宜、更容易获得。
机器如何学习诊断
机器学习算法可以学习与医生看到的模式类似的模式。一个关键的区别是算法需要很多具体的例子才能学习。这些例子需要进行数字化，因为机器无法读取教科书中的内容。可见，机器学习在医生检查的诊断信息已经数字化的区域特别有用。
如：
- 基于CT扫描检测肺癌或中风
- 根据心电图和心脏MRI图像评估心源性猝死或其他心脏病的风险
- 分类皮肤图像中的皮肤病变
- 寻找眼睛图像中糖尿病视网膜病变的指标
AI诊断疾病的例子
由于在这些情况下有大量可用的数据，因此算法在诊断方面与专家一样好。不同之处在于：该算法可以在几分之一秒内得出结论，并且可以在全世界范围内以低成本再现。很快，每个人都能够以低廉的价格获得相同质量的放射诊断专家。
更高级的AI诊断即将推出
机器学习在诊断中的应用才刚刚开始 - 更雄心勃勃的系统涉及多种数据源（CT、MRI、基因组学和蛋白质组学、患者数据、甚至手写文件）的组合，以评估疾病或其进展。
AI不会很快取代医生
相反，人工智能系统将被用来为专家突出潜在的恶性病变或危险的心脏模式——让医生专注于这些信号的解释。
2.更快地开发药物
开发药物是一个非常昂贵的过程。使用机器学习则可以提高药物开发中涉及的许多分析过程的效率，这有可能削减多年的工作和数以亿计的投资。
人工智能已成功应用于药物开发的所有4个主要阶段：
第一阶段：确定干预目标
药物开发的第一步是了解疾病的生物起源（途径）及其抵抗机制。然后你必须确定治疗疾病的良好目标（通常是蛋白质）。高通量技术的广泛应用，例如短发夹RNA（shRNA）筛选和深度测序，极大地增加了可用于发现可行靶途径的数据量。但是，使用传统技术、集成大量和多种数据源仍然是一个挑战，然后找到相关的模式。
机器学习算法可以更轻松地分析所有可用数据，甚至可以学习自动识别好的目标蛋白质。
第二阶段：发现候选药物
接下来，您需要找到一种能够以所需方式与识别的目标分子相互作用的化合物。这包括筛选大量（通常数千甚至数百万）潜在化合物对靶标的影响（亲和力），更不用说它们的脱靶副作用（毒性）。这些化合物可以是天然的、合成的或生物工程的。
然而，当前的软件通常是不准确的并且会产生许多不好的建议（误报），因此需要很长时间才能将其缩小到最佳候选药物（称为潜在客户）。
机器学习算法在这里也有帮助：他们可以学习根据结构指纹和分子描述符预测分子的适用性。然后，他们通过数以百万计的潜在分子进行燃烧，并将它们全部过滤到最佳选择，那些副作用最小的那些。这最终节省了药物设计的大量时间。
第3阶段：加快临床试验
现实生活中，很难找到适合临床试验的候选人。 如果您选择了错误的候选人，则会延长审判时间，耗费大量时间和资源。
机器学习可以通过自动识别合适的候选人以及确保试验参与者群体的正确分发来加速临床试验的设计。 算法可以帮助识别将好候选人与坏人分开的模式。 它们还可以作为临床试验的早期预警系统，不会产生确凿的结果，只是使得允许研究人员更早地进行干预，并可能挽救药物的开发。
第4阶段：寻找用于诊断疾病的生物标志物
一旦确定您的诊断，您只能治疗患者的疾病。有些方法会非常昂贵，涉及复杂的实验室设备以及专业知识，例如全基因组测序。
生物标志物是在体液（通常是人体血液）中发现的分子，其提供关于患者是否患有疾病的绝对确定性。他们使诊断疾病的过程安全且便宜。
您还可以使用它们来确定疾病的进展，使医生更容易选择正确的治疗方法并监测药物是否有效。
但是，针对特定疾病发现合适的生物标志物很难。这是另一个昂贵、耗时的过程，因为涉及筛选数以万计的潜在分子候选物。
AI可以自动完成大部分手动工作并加快流程。算法将分子分为好的和坏的候选者，这有助于临床医生专注于分析最佳前景。
生物标志物可用于识别：
- 尽早存在疾病 - 诊断生物标志物
- 患者患上疾病的风险 - 风险生物标志物
- 疾病的可能进展 - 预后生物标志物
- 患者是否会对药物预测生物标志物做出反应
不同的患者对药物和治疗方案的反应不同。因此，个性化治疗具有增加患者寿命的巨大潜力。但很难确定哪些因素会影响治疗方案的选择。
机器学习可以自动完成这项复杂的统计工作，并帮助发现哪些特征表明患者对特定治疗有特定的反应。因此，该算法可以预测患者对特定治疗的可能反应。
系统通过交叉引用类似患者并比较他们的治疗和结果来了解这一点。由此产生的结果预测使医生更容易设计正确的治疗计划。
定期集群间隔的短回文重复(CRISPR)，特别是用于基因编辑的CRISPR- cas9系统，是我们高效、准确地编辑DNA的能力的一大飞跃——就像外科医生一样。
这种技术依赖于短引导rna (sgRNA)来定位和编辑DNA上的特定位置。但是，引导RNA可以适合多个DNA位置，这可能会导致非预期的副作用(非目标效应)。谨慎选择副作用最小的引导RNA是CRISPR系统应用的主要瓶颈。
机器学习模型已经被证明在预测给定sgRNA的引导，目标交互程度和非目标影响程度时能够产生最好的结果，这可以显著加快人类DNA每个区域的引导RNA的发展。
总结
人工智能已经帮助我们更有效地诊断疾病、开发药物、个性化治疗，甚至编辑基因。但这仅仅是个开始。我们越数字化和统一我们的医疗数据，我们就越能使用人工智能来帮助我们找到有价值的模式——我们可以使用这些模式在复杂的分析过程中做出准确、经济的决策。
閱讀更多 AI中國 的文章
