医疗AI并非炒作，这三大方向已完美应用

本篇文章3605字，读完约9分钟

与以前相比，随着数据可用性的提高和数据量的显著增加，计算能力的提高使得人工智能和机器学习在技术初创企业中的应用变得非常普遍。

如今，配备机器学习和人工智能功能已经成为初创企业进入该行业的“最低门槛”。大型制药公司也在积极联系生物技术初创企业，以便利用人工智能和机器学习来做一些事情。

那么，人工智能和机器学习在生物医学领域的作用是什么？未来将应用哪些模块？在此基础上，本文将详细介绍人工智能在未来生物医学领域的三个主要应用方向。

实验室助手在传统的实验室里有许多枯燥的任务，包括编辑基因序列或分析数据结构，这些任务将来可以交给人工智能。

桌面遗传学(公司名称)开发了一个新平台“deskgen”，它使用crispr编辑基因结构。CRISPR(Clustered regular Interspaced Short回文重复序列)是近年来出现的一种技术，cas核酸酶在rna的指导下修饰靶基因的特定dna。这是一种获得性免疫防御机制，由细菌和古细菌进化而来，以应对病毒和质粒的持续攻击。

雷锋。(公开号码:雷锋。了解到这个平台使生命科学家能够熟练地设计和优化基因组。

它包含两个模块:一个是实验设计；其次，它用于管理dna库存、零件清单和功能注释。实验设计模块改进了许多crispr元素，并通过领先的学术实验室开发高质量的算法，为用户提供更深入的分析；记忆模块将用于管理用户的dna库存、特征注释和序列信息。桌面智能地在用户的存储库中找到crispr向量，并自动对其进行注释，从而创建一个“基因组编辑向量”。

此外，对于希望更快或更容易获得数据的科学家来说，也有一些初创公司专注于使用人工智能来研究各种类型的数据。

H2o.ai是一个开源平台，人们可以使用成千上万种不同的统计分析模型来分析数据。尽管h2o.ai与行业无关，但为了减轻医疗服务提供商的数据分析负担，一些初创企业将把这项工作移交给平台。

当身体感到严重不适时，医学诊断和诊断测试通常会进行一般的身体检查。因此，当诊断结果被确认时，错过了最佳治疗时间。

用于诊断的机器学习技术可以避免这样的事情。

索菲亚遗传学公司于2011年在瑞士成立，完美体现了这项技术的价值。他们从病人身上提取活体组织或血液样本，然后使用强大的人工智能算法来分析数据。

在这个过程中(在现有技术中需要两天而不是几个月)，提取并处理患者的dna，然后将数据输入到sophia ddm平台，该平台使用人工智能技术挖掘并识别患者基因组中的突变基因，从而在早期阶段识别相关症状。索菲娅遗传学公司的首席执行官尤吉·坎布朗说:“医院使用的分析平台越多，分析的基因组就越多，人工智能就越精确。”

此外，位于美国旧金山的伊利特将深度学习应用于癌症和其他恶性肿瘤的检测。

Enlitic面临的挑战是从x光、ct扫描、超声波检查、核磁共振成像和其他图像中找出癌症和其他恶性肿瘤。x光照片的分辨率是纵向3000像素，横向2000像素。恶性肿瘤的大小在垂直方向约为3个像素，在水平方向约为3个像素。从非常大的图像中判断一个小的模糊物体是否是恶性肿瘤是一项非常困难的任务。目前，公司开发的系统癌症检出率远远高于医务人员。

利用深度学习方法之一的卷积神经网络(Convnet)，开发了用于从x光照片和ct扫描图像中发现恶性肿瘤的图像识别软件。Convnet对大量医学图像数据进行机器学习，如恶性肿瘤的有无和肿瘤的位置等。，并自动总结出代表恶性肿瘤形状的“特征”等。，以及注意哪些特征可以判断有无恶性肿瘤的“模式”。Convnet可以通过应用发现的模式来发现新的医学图像中是否存在恶性肿瘤。

同样来自旧金山的初创公司3scaninc希望利用机器人显微镜技术和计算机可视化系统，帮助从事药物探索的科学家实现人类病理组织的自动化分析。

3scan可以帮助药物研究人员减少大量繁琐的工作——特别是在涉及大量手工工作的人体病理组织分析中。然而，更重要的是，与科学家对特定病理组织进行的传统研究方法相比，3scan提供了更好的视觉辅助和更丰富的研究数据集。

在过去，如果研究人员需要检查患病组织，他们通常需要获得一个1厘米厚的组织块，然后将其包埋在石蜡中，浸泡在水中进行切片，然后将其带到不同的显微镜下分析这些患病组织。科学家很少制作大量的切片，通常在12个切片之内，然后根据这些有限的数据推断患病组织的病理原因。相对而言，3scan机器人显微镜可以非常精确地操作病理组织样本，系统可以从每个病理组织样本中获取10，000个切片。之后，机器人显微镜将使用机器视觉技术来生成数字三维地图(看起来像地球的地形图)，研究人员可以在计算机上查看和分析这些切片照片。

此外，人工智能和机器学习技术还可以用于其他数字诊断，包括帮助诊断类风湿性关节炎等。

药物研究和开发可以说，使用人工智能和机器学习技术的生物医学研究的最大进步是开发药物。目前，开发一种药物的平均成本为2.5亿美元，而临床试验需要12年时间。新技术的使用将大大减少研发的时间和成本。

例如，美国的atomwise公司设计了一个名为atomnet的系统，该系统使用超级计算机、人工智能和复杂的算法来模拟制药过程，从而预测新药的效果，加快新药的研发，并使成本最小化。

Atomwise是一家领先的医疗公司，使用超级计算机进行药物研发，总部位于美国旧金山。据报道，atomwise使用超级计算机分析现有数据库，并使用人工智能和复杂算法模拟药物研发过程，从而在研发的早期阶段评估新药研发的风险，并将药物研发成本降低到数千美元，评估可在几天内完成。Atomwise为制药公司、初创公司和研究机构提供候选药物预测服务，可以预测哪些新药真正有效，哪些无效。值得一提的是，atomwise最近利用人工智能技术为埃博拉病毒治疗的研究做出了巨大贡献。根据该公司的统计，该系统在不到24小时内成功分析和测试了7000多种药物。据项目负责人说，如果使用传统方法，这种分析至少需要几个月甚至几年才能完成。

英国初创公司benevolentai也是“独角兽”之一。据雷介绍，博润泰目前是欧洲最大的人工智能初创企业之一，在全球排名前五。Benevolentai的技术平台采用人工智能技术，可以从大量分散的信息中提取能够促进药物研发的知识，并提出可以验证的新假设，从而加快药物研发的进程。

据悉，该技术平台名为JACS(法官增强认知系统)。Jacs在其操作中涉及大量数据。为了提高效率和操作能力，JACS从NVIDIA购买了一台专门为深度学习设计的超级计算机dgx-1。这台计算机可以模拟大脑皮层中出现的识别和学习模式，加速不同信息源之间新关系的建立，从而产生更快、更多的新药创新。不久前，该公司发现了一种治疗肌萎缩性侧索硬化症的药物，经过英国谢菲尔德一家机构的研究，这种药物确实对治疗运动神经衰退有效果。自2013年成立以来，该公司已开发了24种候选药物，其中一些已进入临床iib期试验(在iia期，将首先招募少量受试者以确定适当的治疗剂量；Iib以A为基础，有效组扩大了样本量，并定义了剂量的有效性和安全性。

此外，今年年初，葛兰素史克(glaxosmithkline，gsk)还投资了人工智能制药阵营。他们宣布在药物研究和开发方面与exscientia进行战略合作。在这次合作中，exscientia的人工智能药物研发平台将与葛兰素史克的制药专业知识相结合，为葛兰素史克感兴趣的10种疾病目标开发创新的小分子药物。exact sia将从葛兰素史克获得资金，建立针对这些目标的药物研发项目，并尝试寻找临床前候选药物。

Exscientia位于苏格兰，旨在利用大数据和机器学习方法，基于现有的药物研发数据，自动设计数百万个与特定靶标相关的小分子化合物，并根据功效、选择性、adme和其他要求筛选化合物。人工智能筛选出的最佳候选化合物将进行合成和实验测试，然后将实验数据反馈给人工智能系统，以改进下一轮的化合物选择。这种人工智能主导的快速药物设计-合成-检测周期可以大大提高药物开发的效率。Exscientia过去与客户的药物开发合作表明，在人工智能主导的药物开发平台上寻找候选化合物的时间和成本约为传统研发方法的四分之一！药物研发是一个漫长而昂贵的过程。据统计，从找到治疗疾病的靶点到找到能够靶向该靶点的化合物平均需要五年半的时间。

雷锋。com了解到，除了上述专注于药物研发的人工智能公司之外，全球许多公司都在这一领域做出了努力。如今，包括葛兰素史克、默克、强生和赛诺菲在内的主要制药公司正在探索利用人工智能的学习和计算能力来简化药物研发流程的方法。

总的来说，人工智能和机器学习正全方位渗透到生物医学行业，这也是当前该行业的主流趋势之一。

雷锋原创文章。严禁擅自转载。详情请参考转载说明。