部落格

blog.png

生命科學診斷的人工智能

2018-10-5

Representative illustration of artificial intelligence in metabolic disease drug development

Representative illustration of artificial intelligence in metabolic disease drug development人工智慧涉及多個領域,包括深度學習、神經網路、貝葉斯網路和進化演算法。以下是目前人工智慧如何在生命科學和代謝疾病研究中應用的方法。

藥物研發中的人工智慧

製藥公司為了研發新療法,主要在3個方面採用了人工智慧:

  • 尋找藥物新靶點
  • 藥物開發
  • 改善臨床試驗

尋找藥物新靶點

人工智慧可以多種方式説明辨識新的藥物靶標。RNA測序用以分析基因表達。然後用基因表達資料衡量治療效果,挖掘新的途經,或辨識疾病新的生物標誌。

DNA測序主要有兩類應用:生殖系(遺傳)和體細胞突變分析。

生殖系突變資料可用于評估患者患特定疾病(如BRCA1、2)的遺傳風險,或用於診斷遺傳病。

體細胞突變(隨年齡增長而在患者體內積聚)可用於多種方式,包括:

  • 癌症診斷方法(如FLT3、NPM1、P53)
  • 復發/緩解追蹤
  • 在臨床試驗中用作非致死終點
  • 表明對某一治療有抵抗
  • 指導臨床醫生為特定患者選擇最有效的治療方法

藥物開發

人工智慧在藥物開發過程中起到了重大作用。大多大型製藥公司已在進行人工智慧專案或合作,例如:

  • 輝瑞製藥(Pfizer)正積極與IBM展開合作,利用其沃森(Watson)人工智慧系統推動免疫腫瘤學藥物搜索,對研究假設更快地分析和測試。
  • 賽諾菲製藥(Sanofi)正積極與Exscientia展開戰略性研究合作,尋找新的代謝疾病治療方法。Exscientia有辨識和驗證藥物靶標組合的專用人工智慧平臺。
  • 基因泰克公司(Genentech)正使用美國精准醫療公司(GNS Healthcare)的人工智慧系統,通過因果推理機器學習來推動癌症藥物研發

目前,多家人工智慧公司還提供了藥物研發、設計和再利用平臺。

臨床試驗的改善

人工智慧通過有針對性的招募來改善臨床試驗,這樣更易於幫助有指征的患者找到正確試驗。如果人工智慧可提取醫療記錄資料,特定患者的病情即可與所有適用公開試驗的標準加以比較。

人工智慧在藥物和治療方案依從性方面也起到很大幫助作用,這在臨床試驗中可是個重大課題。移動技術和移動應用可提醒患者何時服藥,但在“可吸收感測器”方面也有投資,這種感測器可追蹤藥物攝入量和無線記錄藥瓶數量,令製藥公司對患者自行報告的資料更加準確。

人工智慧還有助於在臨床試驗中運用藥物療效預測演算法。

病理學中的人工智慧應用

人工智慧在病理學中的應用,使資料解析更加客觀。例如,免疫螢光/化學染色細胞和組織比目前傳統主觀過程分析地更加客觀。有些人工智慧公司重點圍繞這種圖像解釋和預後預測來完善醫生的工作。

診斷成像

診斷成像市場 是人工智慧最成熟的功能之一。新興的應用程式正把診斷圖像分析的優勢推廣到其它圖像分析任務(如在染色病理切片中辨識癌細胞)中。

免疫染色包括廣泛用於組織學、細胞生物學和分子生物學的技術,所有這些技術都使用基於抗體的染色法。用人工智慧解釋化學染色(如H&E),可用來挖掘歷史病理學資料,自動化重複性任務,或在臨床試驗中添加其它資料。

用人工智慧進行資料整合

人工智慧支援的資料整合在生命科學產業中是新出現的最佳方法。歷史證明,資料整合具有挑戰性,因為資料集龐大,通常會出現格式不相容的情況,而且資料集在持續增長。

傳統方法包括標準化資料格式,然後手工編寫腳本進行資料查詢,生成有用的資料集。相比之下,人工智慧使用機器學習和自然語言處理全面整合資料集,對資料集挖掘以便獲得有價值的觀點。這一方法支持可擴展整合及分析。

代謝疾病中的人工智慧應用

改變糖尿病患者控制健康的方式

除有助於尋找免疫腫瘤藥物之外,IBM沃森(Watson)人工智慧系統還能説明糖尿病患者控制其自身健康。

在6月舉行的美國糖尿病學會(ADA)第78屆科學會議上,IBM討論了使用人工智慧、機器學習和分析技術解決糖尿病控制資料驅動障礙方面所取得的優勢。

積極與美敦力公司(Medtronic)合作,開發了一款旨在幫助人們自我控制糖尿病的應用程式。Sugar.IQ™ 糖尿病助手有助於糖尿病患者在一年中把血糖水準保持在正常範圍內的天數增加9天。目前該產品已投入商用。

因果推理機器學習(CML)與NASH

因果推理機器學習(CML)是深入瞭解病情進展並確定治療後臨床結果的人工智慧形式,通過大量臨床資料辨識預後和預測生物標誌來實現。

因果推理機器學習(CML)正用於幫助NASH患者。NASH是一種生活習慣病,幾乎毫無症狀,也未經過可靠的診斷測試。美國精准醫療公司(GNS Healthcare)和吉利德科學公司(Gilead Sciences)在國際肝病會議™根據構建生存預測模型提出了資料。這些模型預測了肝硬化發病情況或臨床狀況,如肝移植或併發症。

通過對臨床資料有力地進行人工智慧挖掘,揭示了辨識NASH患者的遺傳聯繫,更好地理解哪種藥物複方合劑適於特定患者,把臨床試驗結果更可靠地轉化為實際結果。

總結

自從1956年麻省理工學院(MIT)的約翰·麥卡錫(John McCarthy)創造了“人工智慧”一詞以來,人工智慧在人類健康領域應用取得了十足的進展。儘管路漫漫其修遠兮,但在這一領域能看到更大的發展空間足以令人興奮。

Topics: CVMD