大數(shù)據(jù)與AI相輔相成，得益于計(jì)算機(jī)信息技術(shù)科技革命，各領(lǐng)域產(chǎn)生了海量數(shù)據(jù)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(yī)藥領(lǐng)域應(yīng)用主要有藥物研發(fā)、醫(yī)學(xué)影像、輔助診療和基因分析四個(gè)細(xì)分領(lǐng)域。其中，國(guó)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(guó)則借助海量大數(shù)據(jù)優(yōu)勢(shì)，以AI醫(yī)學(xué)影像為主。本文將針對(duì)這四個(gè)主要領(lǐng)域分別進(jìn)行探討。

根據(jù) Global MarketInsight的數(shù)據(jù)報(bào)告，全球人工智能醫(yī)療市場(chǎng)中，第一大細(xì)分市場(chǎng)為藥物硏發(fā)，份額最大（約占35%）。根據(jù)既往資料顯示，藥物研發(fā)領(lǐng)域的細(xì)分方向有以下6種：

1. 海量文獻(xiàn)信息分析整合

對(duì)于藥物研發(fā)工作者來說，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章的海量信息中提取出能夠推動(dòng)藥物研發(fā)的知識(shí)，提出新的可以被驗(yàn)證的假說，從而加速藥物研發(fā)的過程。

2.化合物高通量篩選

化合物篩選，是指通過規(guī)范化的實(shí)驗(yàn)手段，從大量化合物或者新化合物中選擇對(duì)某一特定作用靶點(diǎn)具有較高活性的化合物的過程。而要從數(shù)以萬計(jì)的化合物分子中篩選出符合活性指標(biāo)的化合物，往往需要較長(zhǎng)的時(shí)間和成本。

AI 技術(shù)可以通過對(duì)現(xiàn)有化合物數(shù)據(jù)庫信息的整合和數(shù)據(jù)提取、機(jī)器學(xué)習(xí)，提取大量化合物與毒性、有效性的關(guān)鍵信息，既避免了盲人摸象般的試錯(cuò)路徑，還可以大幅提高篩選的成功率。

圖1 通過訓(xùn)練能夠識(shí)別抗生素中常見的化合物結(jié)構(gòu)——磺酰基

3.發(fā)掘藥物靶點(diǎn)

現(xiàn)代新藥研究與開發(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(nèi)的作用結(jié)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(tǒng)可以從每個(gè)設(shè)計(jì)周期里的現(xiàn)有數(shù)據(jù)資源中學(xué)習(xí)，其原理與人類的學(xué)習(xí)方式相似，但AI在識(shí)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(yù)測(cè)藥物分子動(dòng)力學(xué)指標(biāo)（ADMET）

ADMET包括藥物的吸收、分配、代謝、排泄和毒性。預(yù)測(cè)ADMET是當(dāng)代藥物設(shè)計(jì)和藥物篩選中十分重要的方法。過去藥物ADMET性質(zhì)研究以體外研究技術(shù)與計(jì)算機(jī)模擬等方法相結(jié)合，研究藥物在生物體內(nèi)的動(dòng)力學(xué)表現(xiàn)。

目前市場(chǎng)中有數(shù)十種計(jì)算機(jī)模擬軟件，包括ADMET Predicator、MOE、Discovery Studio和Shrodinger等。該類軟件現(xiàn)已在國(guó)內(nèi)外的藥品監(jiān)管部門、制藥企業(yè)和研究院所得到了廣泛應(yīng)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(zhuǎn)歸的規(guī)律和機(jī)制的科學(xué)。病理生物學(xué)研究是醫(yī)藥研發(fā)的基礎(chǔ)，至今許多疾病尚無治療方法，是由于在病理生物學(xué)研究方面沒有取得進(jìn)展。

其研究?jī)?nèi)容是指基于人工智能將病理圖像轉(zhuǎn)化為高保真度、高通量的可挖掘的數(shù)據(jù),并用于定量化病理診斷和疾病預(yù)后,最后自動(dòng)生成病理診斷報(bào)告。在人工智能技術(shù)的支撐下,病理組學(xué)的研究正向著更加自動(dòng)化更加精準(zhǔn)的方向發(fā)展,這也有益于充分利用現(xiàn)有醫(yī)療資源、節(jié)省研究成本、推動(dòng)醫(yī)療發(fā)展。

圖2  IBM Watson鑒定RBPs

6.發(fā)掘藥物新適應(yīng)癥

老藥新用是目前尋找藥物的常用方式，它的實(shí)現(xiàn)方式是將市面上已曝光的藥物及人身上的1萬多個(gè)靶點(diǎn)進(jìn)行交叉研究及匹配。

依靠AI強(qiáng)大的自然語言處理能力和深度學(xué)習(xí)能力，從散亂無章的海量信息中，提取出能夠推動(dòng)藥物研發(fā)的知識(shí)和新的可以被驗(yàn)證的假說，將給試驗(yàn)的速度帶來指數(shù)級(jí)的提升。

AI在藥物重定向環(huán)節(jié)的應(yīng)用，可以省去靶點(diǎn)發(fā)現(xiàn)和藥理作用評(píng)估等環(huán)節(jié)，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

根據(jù) Global MarketInsight的數(shù)據(jù)報(bào)告中，僅次于藥物研發(fā)，醫(yī)學(xué)影像市場(chǎng)作為人工智能醫(yī)療應(yīng)用領(lǐng)域第二大細(xì)分市場(chǎng)，將以超過40%的增速發(fā)展，在2024年達(dá)到25億美元規(guī)模，占比達(dá)25%。

醫(yī)學(xué)影像行業(yè)是國(guó)內(nèi)AI與大數(shù)據(jù)在醫(yī)療領(lǐng)域應(yīng)用發(fā)展最快的方向，遠(yuǎn)高于其他場(chǎng)景的應(yīng)用。有研究報(bào)告顯示，進(jìn)入中國(guó)100強(qiáng)的人工智能相關(guān)非上市企業(yè)的10家人工智能醫(yī)療方向的企業(yè)中，有6家涉及到了AI醫(yī)學(xué)影像領(lǐng)域。

智能醫(yī)學(xué)影像識(shí)別是基于人工智能技術(shù)，對(duì)X線片、計(jì)算機(jī)斷層掃描、磁共振成像等常用醫(yī)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(zhǔn)、智能手術(shù)視頻解析等。

1. 智能影像診斷

我們通常所說的狹義的智能醫(yī)學(xué)影像，指的就是智能影像診斷。這也是智能醫(yī)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(zhǔn)可提高影像識(shí)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(yī)療影像探索最廣泛的領(lǐng)域。當(dāng)下AI+醫(yī)學(xué)影像的產(chǎn)品形態(tài)主要以用于影像識(shí)別與處理的軟件為主，極少數(shù)結(jié)合硬件。

表2  部分AI醫(yī)學(xué)影像企業(yè)及融資情況

資料來源：火石創(chuàng)造

2. 自動(dòng)病理分類

疾病的病理分類是當(dāng)前智能醫(yī)學(xué)影像研究的重要問題。早期的病理分類通常分為三步，第一步是在影像中人工標(biāo)注目標(biāo)區(qū)域，第二步是對(duì)分割出來的區(qū)域進(jìn)行識(shí)別分類，第三步是對(duì)整個(gè)診斷結(jié)果進(jìn)行宏觀的判斷。

隨著CNN的不斷發(fā)展，分類器越來越強(qiáng)大，新的算法可以直接端到端（圖像端到結(jié)果端）地對(duì)圖像進(jìn)行分類并檢測(cè)物體。但目前可利用的醫(yī)學(xué)影像圖像數(shù)據(jù)量通常較少，為深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練帶來了難題。

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(chǔ)。對(duì)手術(shù)視頻的內(nèi)容進(jìn)行解析，讓機(jī)器理解當(dāng)前手術(shù)視頻中的操作，可以使計(jì)算機(jī)幫助醫(yī)師在手術(shù)中做出合理的選擇，協(xié)助醫(yī)師規(guī)劃下一步的手術(shù)操作，并通過比對(duì)數(shù)據(jù)庫中的內(nèi)容揭示醫(yī)師手術(shù)中各個(gè)操作的細(xì)節(jié)。

盡管手術(shù)視頻解析起步較晚，目前只能應(yīng)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。

當(dāng)擁有足夠數(shù)量質(zhì)量的醫(yī)療數(shù)據(jù)后，就具備了做出正確診斷的數(shù)據(jù)基礎(chǔ)條件，AI深度學(xué)習(xí)便可以發(fā)揮作用了，可更高效地處理海量數(shù)據(jù)，迅速找到特征和規(guī)律。在圖像識(shí)別上，人工智能的優(yōu)越性表現(xiàn)的特別突出。

用于輔助診斷的方向中除了上面提到的醫(yī)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(shù)據(jù)的優(yōu)勢(shì)，以真實(shí)的海量臨床電子病歷大數(shù)據(jù)為基礎(chǔ)，融合臨床指南、專家共識(shí)和醫(yī)學(xué)文獻(xiàn)，結(jié)合分析和深度學(xué)習(xí)技術(shù)建立多維度診療模型，對(duì)病歷進(jìn)行大量標(biāo)注工作，通過人工智能提供初步的診斷提示，提高患者和醫(yī)生的尋醫(yī)問診效率。

表3  部分AI輔助診療企業(yè)及融資情況

基因二代測(cè)序技術(shù)產(chǎn)生了大量的測(cè)序數(shù)據(jù)，AI在基因大數(shù)據(jù)的分析上亦表現(xiàn)出良好的應(yīng)用趨勢(shì)。

隨著計(jì)算機(jī)算力的不斷提升，超級(jí)計(jì)算機(jī)強(qiáng)大的數(shù)據(jù)處理能力可以對(duì)TB級(jí)的海量基因組數(shù)據(jù)進(jìn)行處理和挖掘，從而極大地縮短基因檢測(cè)的時(shí)間，提高基因檢測(cè)效率。

在此基礎(chǔ)上，催生出兩種致力于疾病風(fēng)險(xiǎn)預(yù)測(cè)的公司，一類是面向B端如醫(yī)院、企業(yè)等，研發(fā)并提供能夠?qū)崿F(xiàn)腫瘤基因、遺傳基因、傳染病等疾病預(yù)測(cè)的基因測(cè)序儀；另一類則是以疾病風(fēng)險(xiǎn)預(yù)測(cè)為重點(diǎn)，面向C端公眾開放基因測(cè)序服務(wù)。

表4  部分基因數(shù)據(jù)分析相關(guān)企業(yè)及融資情況

目前，AI與大數(shù)據(jù)在醫(yī)藥領(lǐng)域的科研和產(chǎn)業(yè)發(fā)展方興未艾，毫無疑問，AI和大數(shù)據(jù)和生物醫(yī)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(xiàn)。

國(guó)內(nèi)也面臨著人工智能人才缺少且成本高昂，數(shù)據(jù)歸屬不明確、質(zhì)量不高、標(biāo)準(zhǔn)沒有統(tǒng)一、獲取難度高，醫(yī)療器械審批難度大等種種問題。亟待國(guó)家、企業(yè)、醫(yī)療機(jī)構(gòu)和科研人員的共同努力，實(shí)現(xiàn)人工智能與大數(shù)據(jù)對(duì)生物醫(yī)藥行業(yè)的充分賦能。