據埃森哲（Accenture）的一份報告估計，到2026年，大數據與醫學和製藥領域的機器學習相結合將產生每年1500億美元的驚人價值。這個數字反映了人工智慧（AI）工具幫助醫生、病人、保險公司和監管人員做出更好決策、優化創新以及提高研究和臨床試驗效率的潛力。為此，5月1日，GEN網站整理羅列了人工智慧在生命科學領域內六個最有價值的應用。
本文參考了全球五大製藥公司對人工智慧技術的分析。雖然已有的分析提供了一個廣泛的調查，涵蓋了生命科學和生物技術行業應用的所有主要趨勢，但是這篇最新文章在其基礎之上重點強調了TechEmergence認為的近期最有意義的六個AI應用趨勢。
1.診斷疾病
醫學面臨的最大挑戰是疾病的正確診斷和識別，這也是機器學習發展的重中之重。2015年的一份報告顯示，針對超800種癌症的治療方案正在臨床試驗中。而利用機器學習可使癌症識別更加精確。以，一家總部位于波士頓的生物製藥公司Berg為例，目前公司正在利用AI平臺對臨床試驗患者數據進行分析，以促進治療各種疾病的新藥開發。
2.個體化用藥
關於使用機器學習和預測分析來定製針對個人的特異性治療潛能，目前正處於研究中。如果成功，這一策略可以優化診斷和治療方案。目前，研究的重點是有監督的學習，醫生可以利用遺傳信息和症狀縮小診斷範圍，或對患者的風險做出有根據的推測。這可以促進更好的預防措施。預計未來10年，先進的健康測量移動應用以及微生物傳感器和設備的使用將激增，這將提供豐富的數據，進而有助於有效的研發和更好的治療方案。
3.藥物開發
機器學習在早期藥物發現（如新藥開發）和研發技術（如下一代測序）中發揮著許多作用。這一領域的第一項是精確醫學，它使複雜疾病的識別和可能的治療方式更有效。MIT臨床機器學習小組是使用機器學習促成精密醫學的主要參與者之一，側重於算法開發。英國皇家學會指出，醫藥開發中的機器學習可以幫助製藥公司通過分析製造過程數據來優化生產，並加快生產速度。
4.臨床試驗
臨床試驗研究是一個漫長而艱巨的過程。機器學習可以在各種方面幫助縮短這一過程。一種策略是通過對廣泛的數據使用高級預測分析，從而更快地確定目標人群的臨床試驗候選人。麥肯錫( McKinsey )的分析師描述了其他機器學習應用程式，這些應用程式可以通過簡化計算理想樣本大小、方便患者招募以及使用病歷將數據錯誤降至最低等任務來提高臨床試驗的效率。
5.放射治療和放射學
哈佛醫學院助理教授Ziad Obermeyer博士在2016年的一次採訪中表示:「20年後，放射學家將不會以現在的形式存在。它們看起來更像是電子機器人：監督每分鐘閱讀數千份研究報告的算法。目前，倫敦大學學院醫院的deep mind Health正在開發機器學習算法，通過區分健康組織和癌症組織來提高放射治療計劃的準確性。
6.電子健康記錄
支持向量機（Support vector machines用於分類患者電子郵件查詢的技術）和光學字符識別（用於數位化手寫筆記的技術）是用於文檔分類的機器學習系統的基本組件。這些技術的應用案例包括MathWorks的MATLAB （一個具有手寫識別應用程式的機器學習工具）和谷歌的雲視覺API。MIT臨床機器學習小組的重點之一是開發基於機器學習的智能電子健康記錄技術，其理念是開發「安全、可解釋、能從少量標記的訓練數據中學習、理解自然語言、並能在醫療環境和機構中很好地推廣的強大機器學習算法」。
原標題：前景驚人！GEN：人工智慧在生命科學中的六個重大應用