利用中美冠科數據庫,快速查找所需模型
OncoExpress|HuBase|XenoBase|MuBase

博客

生命科學診斷的人工智能

2018-10-05

  •  
  •  
  •  

人工智能涉及多個領域,包括深度學習、神經網絡、貝葉斯網絡和進化算法。以下是目前人工智能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能

制藥公司為了研發新療法,主要在3個方面采用了人工智能:

  • 尋找藥物新靶點
  • 藥物開發
  • 改善臨床試驗

尋找藥物新靶點

人工智能可以多種方式幫助辨識新的藥物靶標。RNA測序用以分析基因表達。然后用基因表達數據衡量治療效果,挖掘新的途經,或辨識疾病新的生物標志。

DNA測序主要有兩類應用:生殖系(遺傳)和體細胞突變分析。

生殖系突變數據可用于評估患者患特定疾病(如BRCA1、2)的遺傳風險,或用于診斷遺傳病。

體細胞突變(隨年齡增長而在患者體內積聚)可用于多種方式,包括:

  • 癌癥診斷方法(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

人工智能在藥物開發過程中起到了重大作用。大多大型制藥公司已在進行人工智能項目或合作,例如:

  • 輝瑞制藥(Pfizer)正積極與IBM展開合作,利用其沃森(Watson)人工智能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。
  • 賽諾菲制藥(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能平臺。
  • 基因泰克公司(Genentech)正使用美國精準醫療公司(GNS Healthcare)的人工智能系統,通過因果推理機器學習來推動癌癥藥物研發

目前,多家人工智能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

人工智能通過有針對性的招募來改善臨床試驗,這樣更易于幫助有指征的患者找到正確試驗。如果人工智能可提取醫療記錄數據,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。

人工智能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“可吸收傳感器”方面也有投資,這種傳感器可追蹤藥物攝入量和無線記錄藥瓶數量,令制藥公司對患者自行報告的數據更加準確。

人工智能還有助于在臨床試驗中運用藥物療效預測算法。

病理學中的人工智能應用

人工智能在病理學中的應用,使數據解析更加客觀。例如,免疫熒光/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。有些人工智能公司重點圍繞這種圖像解釋和預后預測來完善醫生的工作。

診斷成像

診斷成像市場是人工智能最成熟的功能之一。新興的應用程序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于組織學、細胞生物學和分子生物學的技術,所有這些技術都使用基于抗體的染色法。用人工智能解釋化學染色(如H&E),可用來挖掘歷史病理學數據,自動化重復性任務,或在臨床試驗中添加其它數據。

用人工智能進行數據整合

人工智能支持的數據整合在生命科學產業中是新出現的最佳方法。歷史證明,數據整合具有挑戰性,因為數據集龐大,通常會出現格式不兼容的情況,而且數據集在持續增長。

T傳統方法包括標準化數據格式,然后手工編寫腳本進行數據查詢,生成有用的數據集。相比之下,人工智能使用機器學習和自然語言處理全面整合數據集,對數據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能應用

改變糖尿病患者控制健康的方式

除有助于尋找免疫腫瘤藥物之外,IBM沃森(Watson)人工智能系統還能幫助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討論了使用人工智能、機器學習和分析技術解決糖尿病控制數據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序。
Sugar.IQ? 糖尿病助手
有助于糖尿病患者在一年中把血糖水平保持在正常范圍內的天數增加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)是深入了解病情進展并確定治療后臨床結果的人工智能形式,通過大量臨床數據辨識預后和預測生物標志來實現。

因果推理機器學習(CML)正用于幫助NASH患者。NASH是一種生活習慣病,幾乎毫無癥狀,也未經過可靠的診斷測試。美國精準醫療公司(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
提出了數據。這些模型預測了肝硬化發病情況或臨床狀況,如肝移植或并發癥。

通過對臨床數據有力地進行人工智能挖掘,揭示了辨識NASH患者的遺傳聯系,更好地理解哪種藥物復方合劑適于特定患者,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“人工智能”一詞以來,人工智能在人類健康領域應用取得了十足的進展。盡管路漫漫其修遠兮,但在這一領域能看到更大的發展空間足以令人興奮。

Topics: CVMD

關注微信公眾號

尤尼克斯羽毛球