看人工智能是如何變成為“藥神”的！

　　“他就是想活命，他有什么罪!”

　　太平間外，黃毛死后，程勇對警官大聲吼道。

　　為了仿制藥，為了活命，多少人為此付出了自己的命。

　　價格高昂的正版藥，讓患者們退無可退。不容否認，一種新藥，尤其是“特效藥“的研發，需要過億的研發成本和研發周期，其能夠面市，已經是諸多患者的“福音”。然而，面對高昂的售價，如何給“特效藥”及疾病治療“降降溫”，AI也許能夠一步步成為你的“藥神”。

　　第一步：AI預測白血病，讓白血病不再成為“突然之災”

　　近期，《自然》上發表了一項研究成果——由全國多家科研機構白血病科學家組成的研究小組使用血液檢測和機器學習，以達到預測健康個體是否有患急性骨髓性白血病(AML)的風險。

　　這意味著我們今后對AML的出現有預警，并能夠提早發現AML的高風險人群并進行監測，同時可以進行研發，尋找降低該疾病患病幾率的方案。

　　全球多家科研機構在Nature上發表的論文

　　AML名為“急性骨髓性白血病”，以骨髓與外周血中原始和幼稚髓性細胞異常增生為主要特征，AML患者的癌細胞在骨髓中迅速增殖，并妨礙正常血液細胞的產生，導致出現出血和感染癥狀，甚至危及生命。

　　因此研究人員開發了一種基因測序工具，針對那些與AML相關的已知基因，對124名AML患者的血液DNA進行了測序，并與676名未患有AML或相關癌癥的人進行了對比。

　　通過大數據監測，他們發現許多患有AML的人基因中出現了遺傳變化，未患有此病的人則沒有出現這種變化。那些后來患上AML的患者基因中的突變數量更多，且這些突變在他們血液細胞中出現的比例也更高。

　　隨著進一步研究，研究人員通過機器人學習模型，在大數據變量的支撐下，構建了AML預測模型，其可以在診斷前6-12個月內，就能夠實現對AML預測，其靈敏度和特異性分別達到25.7%和98.2%。

　　AML預測模型(圖來源：Nature)

　　早在此前，Watson也診斷過一個60女性的罕見白血病，Watson 通過比對 2000 萬份癌癥數據報告中不同患者的基因變化，僅用了 10 分鐘時間便得出了結果——不僅有精確的病癥診斷，Watson 還提供了適當的治療方案。

　　AI預測的出現，讓人欣喜的同時也許多人對其存疑。確實，比如AI預測死亡時間的出現，這讓AI的應用不再是一個技術問題，更是一個倫理問題。當你確知自己何時生病、何時辭世時，這似乎并不是一件多好的事情。

　　第二步：AI制藥，改變藥物研發模式

　　《我不是藥神》電影中，矛盾的聚焦點就在于天價的“格列寧”，新藥貴，貴在研發，研發的“試錯”環節，AI也許能夠幫上大忙。

　　從目前智慧醫療的發展情況來看，擅長模式識別的人工智能可以從海量已有的和新的基因、代謝及臨床信息中篩查篩選，以破解各種疾病背后的復雜網絡。反過來，這也有助于發現適用于特定病人群體的藥物，同時引導藥企規避可能會失敗的藥物。

　　此外，借助人工智能的生物意義，可以幫助藥企根據病人情況，并參與對他們最可能見效的創新療法的臨床試驗，這也許能夠成為提升新藥獲批的可能性，比如獲得美國FDA的批準。

　　實際上，醫藥研發的核心在于知識圖譜，就是將實驗信息、數據、臨床實驗結果和數據的結合起來，將零散的數據整合在一起，從而為決策提供有價值的數據支持。

　　從目前來看，人工智能主要作用于藥物研發主要有七個場景：靶點藥物研發、候選藥物挖掘、化合物篩選、預測ADMET性質、藥物晶型預測、輔助病理生物學研究，以及發掘藥物新適應癥。

　　人工智能作用于的制藥場景

　　根據Tech Emergence的研究報告，AI可以將新藥研發的成功率從12%提升至14%，這2%意味著能夠為生物制藥行業省下數十億美元的研發成本和大量的試錯時間。

　　但是，不容否認的是：AI藥物研發一定是一場持久戰。目前世界上并沒有AI藥物研發的成功案例，人工智能研發的藥物也并沒有被批準上市。

　　目前發展較好的國外企業應用AI研發的新藥已進入二期臨床，但是二期到三期的失敗率高達70-80%。AI技術應用前景廣闊，目前依然任重道遠。輝瑞、羅氏、GSK等巨頭紛紛“下注”AI公司，目前發展還需要時間檢驗。

　　但這并不意味著AI制藥并無可能。如果技術能夠有效縮短藥物研發的效率，提高研發上市成功率，那么藥物研發的成本就會大幅度降低，這樣可以大幅度減輕國家醫保負擔，“平價藥”也將成為可能。

　　第三步：藥物數據成為AI制藥關鍵

　　其實，我們也可以看到，AI在智慧醫療領域的每一步，其中都撇不開一個重要因素：藥物數據。

　　比如，在新藥研發領域，AI可以幫助科學家從巨大體量的化合物數據庫中完成文獻搜索，許多公司也在研究如何利用機器模擬化合物跟特定靶標的結合效果，從而大大加快新藥篩選的過程。全球每年都有數千億美元用于新藥研發，AI技術的運用能夠在一定程度上提高研發效率。

　　AI通過機器學習，不但可以加速時間，還可以提高到達后期試驗階段藥物的成功概率。如果AI可以減少藥物試驗的風險，就可以為大型制藥公司節約大量成本，使其能夠騰出資源集中于尋找更有潛力的機會。

　　類似的人工智能應用在流行病統計、臨床試驗數據分析和精準醫療基因檢測方面也大有可為。在人工智能精準醫療項目方面，IBM也繼“Waston腫瘤醫生”推出了“Waston for Genomics”

　　除了藥物數據，醫療數據也成為醫生診斷及后續藥物研發的重要依據。隨著健康智能硬件的興起，醫療數據的邊界不斷地被拓展。

　　2016年4月，一款健康智能硬件記錄的數據拯救了一個新澤西州男人的生命。這個男人在工作當中突發心臟病，醫生通過其智能手機提取其日常的心率數據，這些數據幫助了醫生排除了不必要的診斷，并配合醫生迅速找到合適的醫療方法，進而拯救了一個生命。

　　醫療數據可不僅僅是醫學期刊和醫生輸入電腦的醫療記錄，我們的身體無時無刻不在產生海量的潛在醫療數據。但是目前來說，絕大部分的數據都處于“丟失”的狀態——我們每天走了多少步、今天的心率怎么樣、皮膚的溫度是高還是低、今天都吃什么了等等這些數據，都只保存在本地、孤零零的幾個設備和App里。

　　對AI醫療來說，數據的重要性不言而喻。不論是應用于藥物研發還是診斷治療方面，都有著相當大的前景，但是AI在小樣本集上做的診斷或推定，被認為是不可持久的模式，因為一旦再擴大一點范圍，換一個病種、換一個地方，結果可能就出現偏差，正確率下降。

　　總的來說，AI醫療發展至今已經有了長足的進步，雖然許多AI醫療產品暫未落地，但是不是病人的“藥神”，我們走著瞧。

　　智能相對論：深挖人工智能這口井，評出咸淡，講出黑白，道出深淺。重點關注領域：AI+醫療、機器人、智能駕駛、AI+硬件、物聯網、AI+金融、AI+安全、AR/VR、開發者以及背后的芯片、算法、人機交互等。