目前，AI與大數據在醫藥領域的科研和產業發展方興未艾，毫無疑問，AI和大數據和生物醫藥領域的融合必將不斷的深化和廣化，更多的成功案例將不斷湧現。
【編者按】本文總結AI技術在藥物研發、醫學影像的應用情況，並繼續探討其在輔助診療和基因分析領域中的應用情況及行業發展現狀。
本文來源於火石創造，作者火石創造；經億歐大健康編輯，供行業人士參考。
大數據與AI相輔相成，得益於計算機信息技術科技革命，各領域產生了海量數據積累，人工智慧（AI）技術獲得快速發展。目前，AI技術在生物醫藥領域應用主要有藥物研發、醫學影像、輔助診療和基因分析四個細分領域。其中，國外藉助先進的藥品研發技術和人工智慧技術更早起步，以AI藥物研發為主，我國則藉助海量大數據優勢，以AI醫學影像為主。本文將針對這四個主要領域分別進行探討。
一、藥物研發
根據 Global MarketInsight的數據報告，全球人工智慧醫療市場中，第一大細分市場為藥物硏發，份額最大（約佔35%）。根據既往資料顯示，藥物研發領域的細分方向有以下6種：
1. 海量文獻信息分析整合
對於藥物研發工作者來說，最讓他們頭疼的事如何去甄別每天產生的海量科研信息。而人工智慧技術恰恰可以從這些散亂無章的海量信息中提取出能夠推動藥物研發的知識，提出新的可以被驗證的假說，從而加速藥物研發的過程。
2.化合物高通量篩選
化合物篩選，是指通過規範化的實驗手段，從大量化合物或者新化合物中選擇對某一特定作用靶點具有較高活性的化合物的過程。而要從數以萬計的化合物分子中篩選出符合活性指標的化合物，往往需要較長的時間和成本。
AI 技術可以通過對現有化合物資料庫信息的整合和數據提取、機器學習，提取大量化合物與毒性、有效性的關鍵信息，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.發掘藥物靶點
現代新藥研究與開發的關鍵是尋找、確定和製備藥物靶點。靶點是指藥物在體內的作用結合位點，包括基因位點、受體、酶、離子通道和核酸等生物大分子。
AI系統可以從每個設計周期裡的現有數據資源中學習，其原理與人類的學習方式相似，但AI在識別多種微妙變化以平衡藥效、選擇性和藥代動力學方面要更加高效。
4.預測藥物分子動力學指標（ADMET）
ADMET包括藥物的吸收、分配、代謝、排洩和毒性。預測ADMET是當代藥物設計和藥物篩選中十分重要的方法。過去藥物ADMET性質研究以體外研究技術與計算機模擬等方法相結合，研究藥物在生物體內的動力學表現。
目前市場中有數十種計算機模擬軟體，包括ADMET Predicator、MOE、Discovery Studio和Shrodinger等。該類軟體現已在國內外的藥品監管部門、製藥企業和研究院所得到了廣泛應用。
5. 病理生物學研究
病理生物學是研究疾病發生、發展、轉歸的規律和機制的科學。病理生物學研究是醫藥研發的基礎，至今許多疾病尚無治療方法，是由於在病理生物學研究方面沒有取得進展。
其研究內容是指基於人工智慧將病理圖像轉化為高保真度、高通量的可挖掘的數據,並用於定量化病理診斷和疾病預後,最後自動生成病理診斷報告。在人工智慧技術的支撐下,病理組學的研究正向著更加自動化更加精準的方向發展,這也有益於充分利用現有醫療資源、節省研究成本、推動醫療發展。
6.發掘藥物新適應症
老藥新用是目前尋找藥物的常用方式，它的實現方式是將市面上已曝光的藥物及人身上的1萬多個靶點進行交叉研究及匹配。
依靠AI強大的自然語言處理能力和深度學習能力，從散亂無章的海量信息中，提取出能夠推動藥物研發的知識和新的可以被驗證的假說，將給試驗的速度帶來指數級的提升。
AI在藥物重定向環節的應用，可以省去靶點發現和藥理作用評估等環節，有望將藥物研發成本降至3億美元甚至更低，研發周期也縮短至6.5 年。
表1 部分人工智慧藥物研發公司及融資情況
二、醫學影像
根據 Global MarketInsight的數據報告中，僅次於藥物研發，醫學影像市場作為人工智慧醫療應用領域第二大細分市場，將以超過40%的增速發展，在2024年達到25億美元規模，佔比達25%。
醫學影像行業是國內AI與大數據在醫療領域應用發展最快的方向，遠高於其他場景的應用。有研究報告顯示，進入中國100強的人工智慧相關非上市企業的10家人工智慧醫療方向的企業中，有6家涉及到了AI醫學影像領域。
智能醫學影像識別是基於人工智慧技術，對X線片、計算機斷層掃描、磁共振成像等常用醫學影像學技術掃描圖像和手術視頻進行分析處理的過程，其發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學影像，指的就是智能影像診斷。這也是智能醫學影像領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域。當下AI+醫學影像的產品形態主要以用於影像識別與處理的軟體為主，極少數結合硬體。
表2 部分AI醫學影像企業及融資情況
資料來源：火石創造
2. 自動病理分類
疾病的病理分類是當前智能醫學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註目標區域，第二步是對分割出來的區域進行識別分類，第三步是對整個診斷結果進行宏觀的判斷。
隨著CNN的不斷發展，分類器越來越強大，新的算法可以直接端到端（圖像端到結果端）地對圖像進行分類並檢測物體。但目前可利用的醫學影像圖像數據量通常較少，為深度神經網絡的訓練帶來了難題。
3.智能手術視頻解析
手術視頻解析是智能外科的重要組成部分，是智能手術的基礎。對手術視頻的內容進行解析，讓機器理解當前手術視頻中的操作，可以使計算機幫助醫師在手術中做出合理的選擇，協助醫師規劃下一步的手術操作，並通過比對資料庫中的內容揭示醫師手術中各個操作的細節。
儘管手術視頻解析起步較晚，目前只能應用於一些簡單的手術（如膽囊切除術）中，但其已經具備成熟的技術思路和方法。
三、輔助診療
當擁有足夠數量質量的醫療數據後，就具備了做出正確診斷的數據基礎條件，AI深度學習便可以發揮作用了，可更高效地處理海量數據，迅速找到特徵和規律。在圖像識別上，人工智慧的優越性表現的特別突出。
用於輔助診斷的方向中除了上面提到的醫學影像領域之外， 人工智慧還可以利用大量高質量病歷數據的優勢，以真實的海量臨床電子病歷大數據為基礎，融合臨床指南、專家共識和醫學文獻，結合分析和深度學習技術建立多維度診療模型，對病歷進行大量標註工作，通過人工智慧提供初步的診斷提示，提高患者和醫生的尋醫問診效率。
表3 部分AI輔助診療企業及融資情況
四、基因數據分析
基因二代測序技術產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行處理和挖掘，從而極大地縮短基因檢測的時間，提高基因檢測效率。
在此基礎上，催生出兩種致力於疾病風險預測的公司，一類是面向B端如醫院、企業等，研發並提供能夠實現腫瘤基因、遺傳基因、傳染病等疾病預測的基因測序儀；另一類則是以疾病風險預測為重點，面向C端公眾開放基因測序服務。
表4 部分基因數據分析相關企業及融資情況
五、小結
目前，AI與大數據在醫藥領域的科研和產業發展方興未艾，毫無疑問，AI和大數據和生物醫藥領域的融合必將不斷的深化和廣化，更多的成功案例將不斷湧現。
國內也面臨著人工智慧人才缺少且成本高昂，數據歸屬不明確、質量不高、標準沒有統一、獲取難度高，醫療器械審批難度大等種種問題。亟待國家、企業、醫療機構和科研人員的共同努力，實現人工智慧與大數據對生物醫藥行業的充分賦能。
參考資料：
[1]孫翔宇.醫藥研發領域大數據和人工智慧的應用探討[EB/OL].火石創造,2019.
[2]上海交通大學人工智慧研究院.2019中國人工智慧醫療白皮書[R].2019.
[3]趙成龍.國內AI醫學影像平臺商業模式探索[EB/OL].火石創造,2018.
[4]楊欣.AI技術在醫學影像中的應用及行業發展現狀[EB/OL].火石創造,2019.
[5]陳真誠，蔣勇，胥明玉，等.人工智慧技術及其在醫學診斷中的應用及發展[J].生物醫學工程學雜誌，2002(3).
[6]周瑞泉，紀洪辰，劉榮智.能醫學影像識別研究現狀與展望[J].第二軍醫大學學報，2018，39(8): 917-922.