《我不是药神》引热议,AI会是下一个对抗癌症的有力武器吗?

《我不是药神》这部现实主义的电影作品一路飘红,成为了最近最火爆、最卖座的电影。

这部电影之所以叫好又卖座,无非是它戳中了人们的痛点:经济条件普通的患者买不起治疗白血病的天价药格列卫,就只能求助于几乎同样疗效、但价格只有几十分之一的印度仿制药。要想活命,就都要去求助于程勇这样代购印度廉价药的“黑中介”。

世界卫生组织公布的数据显示,全球每年都有超过1400万新发癌症病例,且有将近880万人死于癌症,其中大部分人都处于中低收入水平国家。抗癌进口药往往研发成本高昂,涉及核心专利保护,再加上进口关税等层层加价,合法的“真药”卖到中国来,往往是翻了几倍甚至几十倍的天价。很多癌症患者只能以各种方式购买国外的低价仿制药来维持生命,生命就这么被明码标价。

如何让“大病面前人人平等”不再成为空话,让更多患者能够有尊严地接受更优质的治疗、吃上价格合适的药品,从根本上提高癌症预防和治疗的效率和质量?

越来越多的人把目光转向了人工智能,希望人工智能能为饱受伤病困扰、经济能力有限的癌症患者带来更高效、廉价的预防和治疗措施。

那么,在将来,人工智能的迅速崛起会不会为癌症诊治带来新的福音?

新药研发:人工智能与抗癌药物

在电影里面,药贩子张长林用戏谑的口吻说:“世界上只有一种治不好的病,就是穷病”,让人唏嘘不已。罕见病药物的高昂价格正是患者最大的困扰,对于经济条件一般的病人来说,廉价而同样有效的仿造药物,就是他们的救命稻草。

电影将瑞士药厂诺华公司塑造为追逐利益花大功夫保护专利、草菅人命的负面角色。但在保护创新与贫穷者的生存之间的矛盾背后,是巨大的伦理困境。

研发新药物,成本是天文数字,如果没有专利保护,仿制药就会扼杀了大药厂的创新动机,不利于新药的研发,最终结果是大家都没有新药可用。

据权威机构Tufts CSDD在2014年的统计,美国批准上市的新药平均研发成本是29亿美元。药品研发如此昂贵,主要是因为药物研发后需要大量及漫长的临床试验,以及药品的研发失败几率极高,药企需要为此付出高昂的研发费用,以及极高的风险成本。

以片中的“救命药”格列卫为例,从开始研发到被批准用于治疗,诺华公司花费了数十亿美元的研发费用,投入大规模的人力和设备投入,时间跨度长达四十余年。格列卫还承担着诺华公司其他亏损药物项目的成本均摊费用。医药企业躲不过高昂的投入,也自然无法给药物定低价,做无私的“救世主”。

全球制药企业2016年研发投入前20强排行(十亿美元)

不过,随着深度学习技术的突破,图像识别、神经网络机器学习等关键技术的快速发展,人工智能技术在新药研发领域的作用越来越突出,能够帮助研究人员快速识别抗癌药物的有效性,从而大幅缩减研发时间,提高新药研发的效率。

咨询公司麦肯锡(McKinsey & Co.)制药及医疗产品行业合伙人SastryChilukuriv在一份报告中指出,人工智能在帮助药企研发新药的过程中表现出越来越积极的角色得益于人工智能近几年的发展,比如患者的各种大数据越来越容易获取、人工智能算法准确率提升、数据的实时监控质量提高等。

于是,越来越多的药物开发厂商开始转向计算机和人工智能,希望利用这种技术来缩小潜在药物分子的范围,从而节省后续测试的时间和金钱投入。为了识别那些有很大潜力可以作为药物靶标的蛋白质的编码基因,很多厂商把希望寄托在了机器算法上。

目前,一些新的算法模型(包括近日发布在《ScienceTranslational Medicine》上)增加了新层次的复杂性,这些算法可以缩小相关蛋白质、药物和临床数据的范围,以便更好地预测哪些基因最有可能让蛋白质和药物结合。

在解决癌症耐药性方面,人工智能也有着突出作用。人工智能可以通过对庞大抗药肿瘤的数据学习、分析,快速理解癌症细胞是如何对抗癌药物产生抗药性的,这有助于研究人员和医疗人员改进药品研发、调整药物使用。

药企通过运用人工智能研发系统,能够降低研发过程中人力、时间、物力成本,同时基于疾病、用药等建立数据模型,预测药品研发过程中的安全性、有效性、副作用等。而研发成本的下降也就意味着罕见病药物售价能够更加低廉,让更多的患者能够用上药效更好的正版药。

今年一月,葛兰素史克公司宣布同位于加州的劳伦斯利物莫国家实验室(LawrenceLivermore National Laboratory)结成伙伴关系,携手利用人工智能进行药物研发。葛兰素史克负责科技的高级副总裁约翰·巴尔多尼(JohnBaldoni)表示,合作的目的是借助人工智能将药物研发时间压缩至一年,而此前有些药物研发耗时长达10年。

人工智能在帮助医生为癌症患者制定针对性治疗方案、预测药物治疗有效性方面也有着积极表现。科技巨头微软正开发名为“Hanover”的人工智能项目,借助深度学习技术,理解、分析大量医学专业论文,来帮助医生合理、精准用药。

智能诊断:人工智能与癌症筛查

对于癌症患者来说,服用抗癌药物、接受放疗、化疗都是在确诊后的不得已的应对手段。但如果将来能在早期诊疗中普及早期筛查,并提高癌症筛查的准确性,将癌细胞的焰火掐灭在萌芽状态,癌症患者也会得到更加及时的治疗,癌症患者的存活率能得到有效提高。

目前传统的筛查模式有诸多局限,比如灵敏度不够高,未能早发现癌症的靶点;特异性不够好,检测结果容易出现假阳性和假阴性;误诊率高,有时受制于医生肉眼阅片能力等等。

以结直肠癌筛查为例,由于肠道环境复杂、早期癌变或息肉又小又平以及医生疲劳等因素,临床漏诊率很高。而AI能有效降低结直肠癌筛查的漏检率,对于人眼经常漏诊的息肉等,AI可以选出病变疑点并提示医生。

AI技术能够利用图像识别、深度学习辅助临床医生更准确、更高效地诊断,达到从基于医生的主观判断到基于人工智能软件处理大数据后的客观判读的转变。目前已经在全球范围内应用于如宫颈癌、乳腺癌等多种癌症的筛查。

例如,香港中文大学的研究团队就用人工智能影像识别技术判读肺癌及乳腺癌的医学影像,自动筛查早期肺癌及快速检测乳腺癌转移,其准确率分别达91%及99%,识别过程只需30秒至10分钟。

AI技术能够更好地标记乳腺癌肿瘤,减少假阳性和过度诊疗的几率

来自德国、法国和美国的团队研发了检测皮肤病的人工智能软件,该软件能够以95%的精确率检测出癌性痣和良性斑点,比医生的识别结果(87%)更加精确。

图为鳞状细胞癌。 AI系统将癌性的皮肤病变部分与良性皮肤病变区分开来

越来越多中国的医院也开始把AI技术带入到癌症筛查当中,深圳市南山人民医院就在腾讯的AI医学影像技术——腾讯觅影的辅助下对早期食管癌进行筛查,筛查准确率达到90%。得益于人工智能超强的识别图像和筛查能力,医生可以更快更高效地帮助女性早期识别乳腺癌,更高效的早筛也有助于降低乳腺癌的死亡率。

 

目前,人工智能在智能诊断方面的技术已经在世界范围内产生了重大进展和突破,相对于传统的筛查模式,人工智能能够更快速地学习了海量癌症医学知识和诊治案例,全面提升癌症筛查效率和准确率,结合大数据等技术的应用,将来能够大大提高早期筛查和辅助决策的质量。但人工智能的技术迭代是一个长期的过程,不可能一蹴而就。

人工智能什么时候能大规模应用?

不过,若想人工智能充分发挥其在药物研发上的潜能,仍有诸多障碍需要跨越。

比如,北卡罗来纳大学研究机器学习的助理教授Olexandr Isayev指出,即使在同一机构内,不同的数据集可能是碎片化的,而且存储方式并不兼容,使得机器理解识别数据变得很困难,而让数据变得协调兼容需要付出卓绝的努力。

同时,数据保密也是个令人担忧的问题,尤其是考虑到近期针对医疗保健系统的网络攻击和数据泄露事件,人工智能数据的使用也颇具争议。

此外,药物批准过程也是一大难关,因为药物批准需要动物和人体实验数据,这也使得短期内在药物研发上计算机不可能彻底取代科学家。

自2014年起,北美约20家医疗机构等利用美国IBM开发的“沃森”,启动了医疗领域的研究,而中国在这方面的应用依旧十分有限。

在处理自动化任务、案例整合注释、高效计算等任务上,人工智能能够为医生们提供相当大的帮助。医院越来越紧张的医疗资源也要求快速的计算分析、处理的能力和更高的检测精度,人工智能能够造福广大患者,提供更大的帮助。

人工智能在历经半个世纪的起伏之后,已经从概念走向了现实,越来越成熟的智能应用出现在我们的生活中,并逐步在医疗行业落地。医疗人工智能发展迅速,产业格局风起云涌,包括医学影像、临床决策支持、语音识别、药物挖掘、健康管理、病理学等众多领域。

深度学习技术的突破,使得此前半温不火的人工智能迅速崛起,图像识别、神经网络机器学习等关键技术的发展,以及大数据技术的融合应用,为抗癌药物研发和癌症诊治提供了巨大的帮助。

人工智能是否能够提高新药的研发升级的速度的同时降低药物成本,使得药物能够以更低的价格使患者受益,甚至是更广泛地应用于癌症检测的领域,让癌症的风险在早期得到更好的评估和检测。

就像电影中程勇说的那样:“我相信,今后会越来越好的。希望这一天能早日到来”,有了人工智能的帮助,相信更多患者能够顺利康复的那一天一定会更早到来。

附录:人工智能在医疗领域发展路径 创新步伐加快

1952年 -人工智能之父Marvin Minsky建立了随机神经模拟加固计算器(SNARC)。这是人类打造的最一个人工神经网络,用了3000个真空管来模拟40个神经元规模的网络。

1975年- BP算法,即反向传播(back propagation)算法,使多层神经元网络训练成为可能,20世纪80年代神经网络开始广泛使用;

2000年-“ 深度学习 ”一词首次用于描述得知创建能够以无监督方式从非结构化数据的学习的机器学习过程;

2011-2012-卷积神经网络AlexNet实现了视觉识别前所未有的精度水平,从而为深度学习机器学习中的主流作用作了肯定;

2017年1月-美国斯坦福大学研究人员在开发的深度学习技术可以直观地识别癌细胞皮肤痣和病变,与同级别人类皮肤科医生精度相当;

2017年2月-微软建立医疗NEXT,旨在运用人工智能和机器学习技术,以解决不同的健康问题,包括癌症治疗;

2017年3月-谷歌的GoogleNet深度学习技术能够检测癌症恶性肿瘤,比人类医生有更高的精确度;

2017年10月-英特尔发布Nervana神经网络处理器(NNP)芯片,它可以加速深度学习速度,包括诊断癌症

这一时间表显示,深度学习和基于AI的癌症研究创新的步伐正在加快。然而,在这个阶段的进展仍然涉及相对小的步骤导致了在未来的终极目标。

参考阅读:

https://www.theguardian.com/technology/2018/jun/10/artificial-intelligence-cancer-detectors-the-five

https://www.iyiou.com/breaking/17242?share_from=f13294ebIvm-sWBNhWA7pxQpw-ODBY4DBeJ-aVo3cjfwejtmQkyc1z5eMuhtbS5mgp2cvFJroxd3GXUo9a-5GE6YQVpWdNN3Csle1Sf-R_7TfIMKvyr96d_Jw

http://news.163.com/17/1025/20/D1KDKN4U00018AOR.html

https://www.mckinsey.com/industries/pharmaceuticals-and-medical-products/our-insights/how-big-data-can-revolutionize-pharmaceutical-r-and-d

https://www.wsj.com/articles/how-ai-is-transforming-drug-creation-1498442760

产业AI医疗
1
相关数据
神经网络技术
Neural Network

(人工)神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型,那时候研究者构想了「感知器(perceptron)」的想法。这一领域的研究者通常被称为「联结主义者(Connectionist)」,因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型,它们都是前馈神经网络:卷积神经网络(CNN)和循环神经网络(RNN),其中 RNN 又包含长短期记忆(LSTM)、门控循环单元(GRU)等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习,但也有一些为无监督学习设计的变体,比如自动编码器和生成对抗网络(GAN)。

Alex网络技术
AlexNet

AlexNet是一个卷积神经网络的名字,最初是与CUDA一起使用GPU支持运行的,AlexNet是2012年ImageNet竞赛冠军获得者Alex Krizhevsky设计的。该网络达错误率大大减小了15.3%,比亚军高出10.8个百分点。AlexNet是由SuperVision组设计的,由Alex Krizhevsky, Geoffrey Hinton和Ilya Sutskever组成。

机器学习技术
Machine Learning

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

神经元技术
neurons

(人工)神经元是一个类比于生物神经元的数学计算模型,是神经网络的基本组成单元。 对于生物神经网络,每个神经元与其他神经元相连,当它“兴奋”时会向相连的神经元发送化学物质,从而改变这些神经元的电位;神经元的“兴奋”由其电位决定,当它的电位超过一个“阈值”(threshold)便会被激活,亦即“兴奋”。 目前最常见的神经元模型是基于1943年 Warren McCulloch 和 Walter Pitts提出的“M-P 神经元模型”。 在这个模型中,神经元通过带权重的连接接处理来自n个其他神经元的输入信号,其总输入值将与神经元的阈值进行比较,最后通过“激活函数”(activation function)产生神经元的输出。

语音识别技术
Speech Recognition

自动语音识别是一种将口头语音转换为实时可读文本的技术。自动语音识别也称为语音识别(Speech Recognition)或计算机语音识别(Computer Speech Recognition)。自动语音识别是一个多学科交叉的领域,它与声学、语音学、语言学、数字信号处理理论、信息论、计算机科学等众多学科紧密相连。由于语音信号的多样性和复杂性,目前的语音识别系统只能在一定的限制条件下获得满意的性能,或者说只能应用于某些特定的场合。自动语音识别在人工智能领域占据着极其重要的位置。

深度学习技术
Deep learning

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

准确率技术
Accuracy

分类模型的正确预测所占的比例。在多类别分类中,准确率的定义为:正确的预测数/样本总数。 在二元分类中,准确率的定义为:(真正例数+真负例数)/样本总数

马文·明斯基人物
Marvin Minsky

马文·李·明斯基,生于美国纽约州纽约市,美国科学家,专长于认知科学与人工智能领域,麻省理工学院人工智能实验室的创始人之一,著有几部人工智能和哲学方面的作品。1969年,因为在人工智能领域的贡献,获得图灵奖。

推荐文章