繼《AI技術(shù)在醫學(xué)影像中的應用及行業(yè)發(fā)展現狀》《醫藥研發(fā)領(lǐng)域大數據和人工智能的應用探討》《洞察 | 國內AI醫學(xué)影像平臺商業(yè)模式探索》之后，本文將總結AI技術(shù)在藥物研發(fā)、醫學(xué)影像的應用情況，并繼續探討其在輔助診療和基因分析領(lǐng)域中的應用情況及行業(yè)發(fā)展現狀。

       大數據與AI相輔相成，得益于計算機信息技術(shù)科技革命，各領(lǐng)域產(chǎn)生了海量數據積累，人工智能（AI）技術(shù)獲得快速發(fā)展。目前，AI技術(shù)在生物醫藥領(lǐng)域應用主要有藥物研發(fā)、醫學(xué)影像、輔助診療和基因分析四個(gè)細分領(lǐng)域。其中，國外借助先進(jìn)的藥品研發(fā)技術(shù)和人工智能技術(shù)更早起步，以AI藥物研發(fā)為主，我國則借助海量大數據優(yōu)勢，以AI醫學(xué)影像為主。本文將針對這四個(gè)主要領(lǐng)域分別進(jìn)行探討。

       一、藥物研發(fā)

       根據 Global MarketInsight的數據報告，全球人工智能醫療市場(chǎng)中，第一大細分市場(chǎng)為藥物硏發(fā)，份額（約占35%）。根據既往資料顯示，藥物研發(fā)領(lǐng)域的細分方向有以下6種：

       1. 海量文獻信息分析整合

       對于藥物研發(fā)工作者來(lái)說(shuō)，最讓他們頭疼的事如何去甄別每天產(chǎn)生的海量科研信息。而人工智能技術(shù)恰恰可以從這些散亂無(wú)章的海量信息中提取出能夠推動(dòng)藥物研發(fā)的知識，提出新的可以被驗證的假說(shuō)，從而加速藥物研發(fā)的過(guò)程。

       2.化合物高通量篩選

       化合物篩選，是指通過(guò)規范化的實(shí)驗手段，從大量化合物或者新化合物中選擇對某一特定作用靶點(diǎn)具有較高活性的化合物的過(guò)程。而要從數以萬(wàn)計的化合物分子中篩選出符合活性指標的化合物，往往需要較長(cháng)的時(shí)間和成本。

       AI 技術(shù)可以通過(guò)對現有化合物數據庫信息的整合和數據提取、機器學(xué)習，提取大量化合物與**、有效性的關(guān)鍵信息，既避免了盲人摸象般的試錯路徑，還可以大幅提高篩選的成功率。

       3.發(fā)掘藥物靶點(diǎn)

       現代新藥研究與開(kāi)發(fā)的關(guān)鍵是尋找、確定和制備藥物靶點(diǎn)。靶點(diǎn)是指藥物在體內的作用結合位點(diǎn)，包括基因位點(diǎn)、受體、酶、離子通道和核酸等生物大分子。

       AI系統可以從每個(gè)設計周期里的現有數據資源中學(xué)習，其原理與人類(lèi)的學(xué)習方式相似，但AI在識別多種微妙變化以平衡藥效、選擇性和藥代動(dòng)力學(xué)方面要更加高效。

       4.預測藥物分子動(dòng)力學(xué)指標（ADMET）

       ADMET包括藥物的吸收、分配、代謝、排泄和**。預測ADMET是當代藥物設計和藥物篩選中十分重要的方法。過(guò)去藥物ADMET性質(zhì)研究以體外研究技術(shù)與計算機模擬等方法相結合，研究藥物在生物體內的動(dòng)力學(xué)表現。

       目前市場(chǎng)中有數十種計算機模擬軟件，包括ADMET Predicator、MOE、Discovery Studio和Shrodinger等。該類(lèi)軟件現已在國內外的藥品監管部門(mén)、制藥企業(yè)和研究院所得到了廣泛應用。

       5. 病理生物學(xué)研究

       病理生物學(xué)是研究疾病發(fā)生、發(fā)展、轉歸的規律和機制的科學(xué)。病理生物學(xué)研究是醫藥研發(fā)的基礎，至今許多疾病尚無(wú)治療方法，是由于在病理生物學(xué)研究方面沒(méi)有取得進(jìn)展。

       其研究?jì)热菔侵富谌斯ぶ悄軐⒉±韴D像轉化為高保真度、高通量的可挖掘的數據,并用于定量化病理診斷和疾病預后,最后自動(dòng)生成病理診斷報告。在人工智能技術(shù)的支撐下,病理組學(xué)的研究正向著(zhù)更加自動(dòng)化更加精準的方向發(fā)展,這也有益于充分利用現有醫療資源、節省研究成本、推動(dòng)醫療發(fā)展。

       6.發(fā)掘藥物新適應癥

       老藥新用是目前尋找藥物的常用方式，它的實(shí)現方式是將市面上已曝光的藥物及人身上的1萬(wàn)多個(gè)靶點(diǎn)進(jìn)行交叉研究及匹配。

       依靠AI強大的自然語(yǔ)言處理能力和深度學(xué)習能力，從散亂無(wú)章的海量信息中，提取出能夠推動(dòng)藥物研發(fā)的知識和新的可以被驗證的假說(shuō)，將給試驗的速度帶來(lái)指數級的提升。

       AI在藥物重定向環(huán)節的應用，可以省去靶點(diǎn)發(fā)現和藥理作用評估等環(huán)節，有望將藥物研發(fā)成本降至3億美元甚至更低，研發(fā)周期也縮短至6.5 年。

       表1 部分人工智能藥物研發(fā)公司及融資情況

       二、醫學(xué)影像

       根據 Global MarketInsight的數據報告中，僅次于藥物研發(fā)，醫學(xué)影像市場(chǎng)作為人工智能醫療應用領(lǐng)域第二大細分市場(chǎng)，將以超過(guò)40%的增速發(fā)展，在2024年達到25億美元規模，占比達25%。

       醫學(xué)影像行業(yè)是國內AI與大數據在醫療領(lǐng)域應用發(fā)展最快的方向，遠高于其他場(chǎng)景的應用。有研究報告顯示，進(jìn)入中國100強的人工智能相關(guān)非上市企業(yè)的10家人工智能醫療方向的企業(yè)中，有6家涉及到了AI醫學(xué)影像領(lǐng)域。

       智能醫學(xué)影像識別是基于人工智能技術(shù)，對X線(xiàn)片、計算機斷層掃描、磁共振成像等常用醫學(xué)影像學(xué)技術(shù)掃描圖像和手術(shù)視頻進(jìn)行分析處理的過(guò)程，其發(fā)展方向主要包括智能影像診斷、影像三維重建與配準、智能手術(shù)視頻解析等。

       1. 智能影像診斷

       我們通常所說(shuō)的狹義的智能醫學(xué)影像，指的就是智能影像診斷。這也是智能醫學(xué)影像領(lǐng)域最為火熱的方向之一。智能影像診斷和影像三維重建與配準可提高影像識別的效率和質(zhì)量，為疾病診斷和治療提供幫助。

       AI輔助診斷、AI篩查、AI超聲是智能醫療影像探索最廣泛的領(lǐng)域。當下AI+醫學(xué)影像的產(chǎn)品形態(tài)主要以用于影像識別與處理的軟件為主，極少數結合硬件。

       表2 部分AI醫學(xué)影像企業(yè)及融資情況

       資料來(lái)源：火石創(chuàng )造

       2. 自動(dòng)病理分類(lèi)

       疾病的病理分類(lèi)是當前智能醫學(xué)影像研究的重要問(wèn)題。早期的病理分類(lèi)通常分為三步，第一步是在影像中人工標注目標區域，第二步是對分割出來(lái)的區域進(jìn)行識別分類(lèi)，第三步是對整個(gè)診斷結果進(jìn)行宏觀(guān)的判斷。

       隨著(zhù)CNN的不斷發(fā)展，分類(lèi)器越來(lái)越強大，新的算法可以直接端到端（圖像端到結果端）地對圖像進(jìn)行分類(lèi)并檢測物體。但目前可利用的醫學(xué)影像圖像數據量通常較少，為深度神經(jīng)網(wǎng)絡(luò )的訓練帶來(lái)了難題。

       3.智能手術(shù)視頻解析

       手術(shù)視頻解析是智能外科的重要組成部分，是智能手術(shù)的基礎。對手術(shù)視頻的內容進(jìn)行解析，讓機器理解當前手術(shù)視頻中的操作，可以使計算機幫助醫師在手術(shù)中做出合理的選擇，協(xié)助醫師規劃下一步的手術(shù)操作，并通過(guò)比對數據庫中的內容揭示醫師手術(shù)中各個(gè)操作的細節。

       盡管手術(shù)視頻解析起步較晚，目前只能應用于一些簡(jiǎn)單的手術(shù)（如膽囊切除術(shù)）中，但其已經(jīng)具備成熟的技術(shù)思路和方法。

       三、輔助診療

       當擁有足夠數量質(zhì)量的醫療數據后，就具備了做出正確診斷的數據基礎條件，AI深度學(xué)習便可以發(fā)揮作用了，可更高效地處理海量數據，迅速找到特征和規律。在圖像識別上，人工智能的優(yōu)越性表現的特別突出。

       用于輔助診斷的方向中除了上面提到的醫學(xué)影像領(lǐng)域之外，人工智能還可以利用大量高質(zhì)量病歷數據的優(yōu)勢，以真實(shí)的海量臨床電子病歷大數據為基礎，融合臨床指南、專(zhuān)家共識和醫學(xué)文獻，結合分析和深度學(xué)習技術(shù)建立多維度診療模型，對病歷進(jìn)行大量標注工作，通過(guò)人工智能提供初步的診斷提示，提高患者和醫生的尋醫問(wèn)診效率。

       表3 部分AI輔助診療企業(yè)及融資情況

       四、基因數據分析

       基因二代測序技術(shù)產(chǎn)生了大量的測序數據，AI在基因大數據的分析上亦表現出良好的應用趨勢。

       隨著(zhù)計算機算力的不斷提升，超級計算機強大的數據處理能力可以對TB級的海量基因組數據進(jìn)行處理和挖掘，從而極大地縮短基因檢測的時(shí)間，提高基因檢測效率。

       在此基礎上，催生出兩種致力于疾病風(fēng)險預測的公司，一類(lèi)是面向B端如醫院、企業(yè)等，研發(fā)并提供能夠實(shí)現腫瘤基因、遺傳基因、傳染病等疾病預測的基因測序儀；另一類(lèi)則是以疾病風(fēng)險預測為重點(diǎn)，面向C端公眾開(kāi)放基因測序服務(wù)。

       表4 部分基因數據分析相關(guān)企業(yè)及融資情況

       五、小結

       目前，AI與大數據在醫藥領(lǐng)域的科研和產(chǎn)業(yè)發(fā)展方興未艾，毫無(wú)疑問(wèn)，AI和大數據和生物醫藥領(lǐng)域的融合必將不斷的深化和廣化，更多的成功案例將不斷涌現。

       國內也面臨著(zhù)人工智能人才缺少且成本高昂，數據歸屬不明確、質(zhì)量不高、標準沒(méi)有統一、獲取難度高，醫療器械審批難度大等種種問(wèn)題。亟待國家、企業(yè)、醫療機構和科研人員的共同努力，實(shí)現人工智能與大數據對生物醫藥行業(yè)的充分賦能。

       參考資料：

       [1]孫翔宇.醫藥研發(fā)領(lǐng)域大數據和人工智能的應用探討[EB/OL].火石創(chuàng )造,2019.

       [2]上海交通大學(xué)人工智能研究院.2019中國人工智能醫療白皮書(shū)[R].2019.

       [3]趙成龍.國內AI醫學(xué)影像平臺商業(yè)模式探索[EB/OL].火石創(chuàng )造,2018.

       [4]楊欣.AI技術(shù)在醫學(xué)影像中的應用及行業(yè)發(fā)展現狀[EB/OL].火石創(chuàng )造,2019.

       [5]陳真誠，蔣勇，胥明玉，等.人工智能技術(shù)及其在醫學(xué)診斷中的應用及發(fā)展[J].生物醫學(xué)工程學(xué)雜志，2002(3).

       [6]周瑞泉，紀洪辰，劉榮智.能醫學(xué)影像識別研究現狀與展望[J].第二軍醫大學(xué)學(xué)報，2018，39(8): 917-922.