高盛人工智能生態(tài)報(bào)告

高盛人工智能生態(tài)報(bào)告近年來，機(jī)器學(xué)習(xí)(MachineLearning,ML)和深度學(xué)習(xí)(DeepLearning,DL)的應(yīng)用領(lǐng)域極速擴(kuò)張，而數(shù)據(jù)、更快的硬件、更好的算法那么是推動(dòng)人工智能的進(jìn)展的三大基石。下文中，動(dòng)脈網(wǎng)為您節(jié)選了報(bào)告中關(guān)于人工智能對(duì)醫(yī)療領(lǐng)域的影響,帶您一窺未來醫(yī)療的開展方向。報(bào)告指出,到2025年,醫(yī)療年均本錢預(yù)計(jì)可節(jié)約540億美元。機(jī)器學(xué)習(xí)在醫(yī)療領(lǐng)域中有廣泛的應(yīng)用前景。醫(yī)療行業(yè)需要豐富且定義明確數(shù)據(jù)集,也需要隨時(shí)隨地對(duì)患者進(jìn)展監(jiān)視,而醫(yī)療結(jié)果也存在著極大的可變性。機(jī)器學(xué)習(xí)可為其中不少的子行業(yè)提供獲得高額回報(bào)的潛力,如藥物發(fā)現(xiàn)、測(cè)試分析、治療優(yōu)化和患者監(jiān)護(hù)等。隨著人工智能和機(jī)器學(xué)習(xí)的不斷整合,人們將有望在新藥研發(fā)的過程中顯著地實(shí)現(xiàn)“去風(fēng)險(xiǎn)”,不但將節(jié)約每年約260億美元的研發(fā)本錢,同時(shí)還將提高全球醫(yī)療信息領(lǐng)域的效率,節(jié)約的本錢價(jià)值超過每年280億美元。機(jī)遇何在?藥物發(fā)現(xiàn)與開發(fā)。在藥物開發(fā)過程中結(jié)合機(jī)器學(xué)習(xí),有著提升開發(fā)效率的潛力。機(jī)器學(xué)習(xí)不但可以加速時(shí)間范圍,還可以提高到達(dá)后期試驗(yàn)階段藥物的成功概率(probabilityofsuess,POS)。MedicxiVentures的合伙人DavidGrainger認(rèn)為，錯(cuò)誤發(fā)現(xiàn)率(FalseDiscoveryRate，F(xiàn)DR)是一個(gè)統(tǒng)計(jì)學(xué)現(xiàn)象，而防止FDR那么有可能將后期試驗(yàn)階段的風(fēng)險(xiǎn)減半。此外,在藥物發(fā)現(xiàn)的早期階段中,現(xiàn)有虛擬篩選的方法名為“高通量篩選”，而它非常容易受到FDR的影響。如果可以將第3階段試驗(yàn)的風(fēng)險(xiǎn)減半,就可以為大型制藥公司節(jié)約數(shù)十億美元的本錢，影響其超過900億美元的研發(fā)經(jīng)費(fèi)并帶來有意義的回報(bào)，使其能夠騰出資源集中于尋找更有潛力的時(shí)機(jī)。備注：虛擬篩選(virtualscreening,VS)也稱計(jì)算機(jī)篩選，即在進(jìn)展生物活性篩選之前，利用計(jì)算機(jī)上的分子對(duì)接軟件模擬目標(biāo)靶點(diǎn)與候選藥物之間的相互作用,計(jì)算兩者之間的親和力大小,以降低實(shí)際篩選化合物數(shù)目,同時(shí)提高先導(dǎo)化合物發(fā)現(xiàn)效率。雖然與后期試驗(yàn)相關(guān)的巨額費(fèi)用往往側(cè)重于臨床試驗(yàn)的設(shè)計(jì)元素，但我們認(rèn)為，將AI/ML應(yīng)用于優(yōu)化后期階段在選擇標(biāo)準(zhǔn)、規(guī)模和研究長(zhǎng)度等方面的決策,也可以實(shí)現(xiàn)有意義的效率提高。醫(yī)生/醫(yī)院的效率。由于監(jiān)管和分裂等原因,美國(guó)醫(yī)療體系在歷史上對(duì)新技術(shù)的采用一直十分緩慢。除了需要應(yīng)對(duì)系統(tǒng)的挑戰(zhàn),從藥物發(fā)現(xiàn)到醫(yī)生和診所將新藥應(yīng)用于醫(yī)療實(shí)踐之間的過程往往十分漫長(zhǎng)且沒有連續(xù)性。美國(guó)市場(chǎng)研究咨詢機(jī)構(gòu)透明市場(chǎng)研究(TransparencyMarketResearch)公司的數(shù)據(jù)顯示，美國(guó)政府最近的一系列納入《美國(guó)復(fù)蘇與再投資法案》的法令,已經(jīng)推動(dòng)了諸如電子安康記錄等領(lǐng)域的快速增長(zhǎng)，全球市場(chǎng)預(yù)計(jì)將在2023年到達(dá)約300億美元。數(shù)據(jù)的聚合，不斷改進(jìn)的數(shù)據(jù)捕獲技術(shù)，以及獨(dú)立醫(yī)院的不斷減少等，已經(jīng)為數(shù)據(jù)的大規(guī)模利用創(chuàng)造了一個(gè)前所未有的機(jī)遇。這一切也將提高機(jī)器學(xué)習(xí)算法和人工智能的各項(xiàng)功能，以在醫(yī)療領(lǐng)域的各個(gè)方面改善速度、降低本錢和提高精度?？偛吭O(shè)在倫敦的谷歌DeepMind正與英國(guó)國(guó)民安康效勞(NationalHealthService，NHS)合作開發(fā)一款旨在監(jiān)測(cè)腎臟疾病患者的APP，以及一個(gè)前身名為“患者搶救”、旨在支持診斷決策的平臺(tái)。任何AI/ML系統(tǒng)的關(guān)鍵都是海量的數(shù)據(jù)，因此DeepMind和NHS達(dá)成了一個(gè)數(shù)據(jù)共享協(xié)議，NHS將為DeepMind提供動(dòng)態(tài)的新數(shù)據(jù)流和歷史數(shù)據(jù)，以用于訓(xùn)練DeepMind的算法。只有有了海量的數(shù)據(jù)，才有可能對(duì)臨床數(shù)據(jù)進(jìn)展實(shí)時(shí)分析。當(dāng)然，如果DeepMind可以隨時(shí)有效獲取患者數(shù)據(jù)，它所能提供的見解將遠(yuǎn)遠(yuǎn)超出腎臟疾病的范圍。痛點(diǎn)何在?藥物發(fā)現(xiàn)與開發(fā)。醫(yī)療領(lǐng)域的重要痛點(diǎn)之一，是藥物發(fā)現(xiàn)與開發(fā)的時(shí)間和本錢。根據(jù)塔夫特藥物開展研究中心(TuftsCenterforthestudyofDrugDevelopment)的數(shù)據(jù)，一款新藥的面市從藥物發(fā)現(xiàn)到獲得FDA批準(zhǔn)平均大約需要97個(gè)月。雖然對(duì)專業(yè)技術(shù)的持續(xù)聚焦可以幫助改善時(shí)間跨度，但新藥研發(fā)的本錢卻仍在持續(xù)增加。德勤的數(shù)據(jù)顯示，自xx年以來，12家主要制藥公司的獲批藥物開發(fā)本錢已經(jīng)增加了33%，至約每年16億美元。研發(fā)回報(bào)。生物制藥研發(fā)的生產(chǎn)力至今仍然是一個(gè)充滿爭(zhēng)議性的話題。開發(fā)一款成功藥物的本錢持續(xù)增加，但由于報(bào)銷制度中的不利因素、患者量的降低和企業(yè)間的競(jìng)爭(zhēng)等，新藥研發(fā)的收入回報(bào)環(huán)境也不容樂觀。雖然我們預(yù)計(jì)xx-202X年的研發(fā)回報(bào)相對(duì)與2000-xx年會(huì)有所提高，但實(shí)際上二者之間的變化微缺乏道。此外，影響研發(fā)回報(bào)最重要的不利因素之一在于那些失敗的研發(fā)產(chǎn)品，特別是那些已經(jīng)到達(dá)后期試驗(yàn)階段的藥物;這些藥物的本錢每年估計(jì)就占到了400億美元以上。醫(yī)生/醫(yī)院的效率。醫(yī)療領(lǐng)域的一項(xiàng)特別挑戰(zhàn)，依然是醫(yī)生的醫(yī)療實(shí)踐明顯滯后于新藥和新治療方法的獲批。因此，許多醫(yī)療領(lǐng)域的機(jī)器學(xué)習(xí)和人工智能專家正不斷鼓勵(lì)主要的醫(yī)療效勞供應(yīng)商，讓在其工作流程中融入現(xiàn)代的機(jī)器學(xué)習(xí)工具，以使其充分利用收集到的和已發(fā)表的海量醫(yī)療數(shù)據(jù)存儲(chǔ)。機(jī)器學(xué)習(xí)和人工智能可有望降低藥物發(fā)現(xiàn)和醫(yī)療實(shí)踐之間的時(shí)間差;與此同時(shí)，它們還能對(duì)治療進(jìn)展優(yōu)化。例如，從北美放射學(xué)會(huì)XX年對(duì)肝膽放射的研究可見，23%的第二意見會(huì)改變?cè)\斷結(jié)論，而這也是專注于醫(yī)學(xué)影像的機(jī)器學(xué)習(xí)公司有望能解決的領(lǐng)域。此外，那些致力于利用機(jī)器學(xué)習(xí)在基因組層面進(jìn)展疾病判斷的公司，例如DeepGenomics等，正幫助供應(yīng)商準(zhǔn)確定位，以提供更有效和更有針對(duì)性的治療。目前開展新藥研發(fā)業(yè)務(wù)的通行方法為何?目前，藥物發(fā)現(xiàn)和開發(fā)業(yè)務(wù)是一個(gè)極為漫長(zhǎng)的研究、測(cè)試和審批過程，持續(xù)的時(shí)間可達(dá)10年以上。據(jù)塔夫特藥物開展研究中心報(bào)道，一款藥物從第一階段推進(jìn)到通過FDA審批，平均需要花費(fèi)96.8個(gè)月的時(shí)間。新型治療方法的研發(fā)之所以是一個(gè)獨(dú)特的挑戰(zhàn)，不僅是因?yàn)樗枰穆L(zhǎng)時(shí)間，而且還由于整個(gè)開發(fā)過程中各個(gè)階段的POS都十分低。藥物發(fā)現(xiàn)始于最初的目標(biāo)確定。一旦確定目標(biāo)后，人們通常利用高通量篩選(HTS)來“命中發(fā)現(xiàn)”。HTS本錢十分昂貴，它由機(jī)器人自動(dòng)完成，通過在同一時(shí)間進(jìn)展數(shù)以百萬計(jì)的試驗(yàn)，找出最有潛力到達(dá)目標(biāo)的化合物，提高藥物發(fā)現(xiàn)的“命中”幾率。“命中”的結(jié)果經(jīng)過優(yōu)化成為導(dǎo)引化合物，然后再進(jìn)一步深入優(yōu)化，為進(jìn)入臨床前藥物開發(fā)過程做好準(zhǔn)備。當(dāng)一款藥物在進(jìn)入第一階段之前，這整個(gè)過程下來通常就需要1-3年，而它的POS卻僅僅為20%。第一階段：重點(diǎn)為平安性;安康的志愿者(POS20%)。第二階段：重點(diǎn)為有效性；有某種疾病或安康狀況的志愿者(POS40%)。第三階段：進(jìn)一步收集不同人群有關(guān)平安性和有效性、劑量和藥物聯(lián)用等的信息。志愿者數(shù)量為幾百到數(shù)千名(POS60%)AI/ML如何起作用？在醫(yī)療領(lǐng)域，完美利用機(jī)器學(xué)習(xí)和AI優(yōu)勢(shì)的案例范圍很廣。在那些案例中，決策和/或預(yù)測(cè)不是由人的理解或直覺，而是由數(shù)據(jù)、且是由那些遠(yuǎn)遠(yuǎn)超出人類能力范疇的各種影響因素考量而驅(qū)動(dòng)的。深度學(xué)習(xí)更是展示了其獨(dú)特的潛力，因?yàn)樗梢岳迷诓煌蝿?wù)中學(xué)到的知識(shí)，來提高在其他任務(wù)中的績(jī)效。減少發(fā)現(xiàn)失敗，增大POS。人們將大量資本投入宏大的時(shí)機(jī)本錢中，來探索、研究新的治療方法，而在這一過程中，能到達(dá)第一階段試驗(yàn)的成功概率(POS)大約只有20%。因此，迄今為止，學(xué)者們已經(jīng)紛紛倡導(dǎo)利用AI/ML開發(fā)有效和準(zhǔn)確的虛擬篩選方法，以取代昂貴且耗時(shí)的高通量篩選過程。最近，谷歌和斯坦福的研究人員正致力于利用深度學(xué)習(xí)開發(fā)虛擬篩選技術(shù)，以取代或增強(qiáng)傳統(tǒng)的高通量篩選(HTS)過程，并提高篩選的速度和成功率。通過應(yīng)用深度學(xué)習(xí)，研究人員能夠?qū)崿F(xiàn)跨越多個(gè)靶點(diǎn)的眾多實(shí)驗(yàn)的信息共享。正如BharathRamsundar等在其一篇機(jī)器學(xué)習(xí)相關(guān)的論文中所稱：“我們的實(shí)驗(yàn)說明，深層神經(jīng)網(wǎng)絡(luò)優(yōu)于所有其他方法……尤其在于，深層神經(jīng)網(wǎng)絡(luò)大大超越了所有現(xiàn)有的商業(yè)解決方案。在許多靶點(diǎn)上，它都實(shí)現(xiàn)了接近完美的預(yù)測(cè)質(zhì)量，使其尤其適合被用作虛擬篩選裝置?？傊疃葘W(xué)習(xí)提供了建立虛擬篩選并將其作為藥物設(shè)計(jì)管道中標(biāo)準(zhǔn)步驟的時(shí)機(jī)?！?MassivelyMultitaskNetworksforDrugDiscovery，xx/2/6)xx年，默克公司主持了一項(xiàng)由數(shù)據(jù)科學(xué)公司Kaggle發(fā)起的旨在確定虛擬篩選統(tǒng)計(jì)技術(shù)的挑戰(zhàn)?，F(xiàn)在，Kaggle已經(jīng)開始測(cè)試深度學(xué)習(xí)和AI的應(yīng)用，并與AI藥物發(fā)現(xiàn)初創(chuàng)公司Atomwise開展合作。Atomwise最近利用AI技術(shù)，在不到一天的時(shí)間內(nèi)對(duì)現(xiàn)有的7000多種藥物進(jìn)展了分析測(cè)試，為尋找埃博拉病毒治療方案做出了奉獻(xiàn)。根據(jù)該公司的統(tǒng)計(jì)，如果利用傳統(tǒng)方法，這項(xiàng)分析需要花費(fèi)數(shù)月甚至數(shù)年才能完成。提高醫(yī)生/醫(yī)院效率。在改善診斷(Enlitic,DeepMindHealth)、分析放射學(xué)結(jié)果(ZebraMedicalVision,BayLabs)、基因組醫(yī)學(xué)(DeepGenomics)等領(lǐng)域，甚至利用AI治療抑郁癥、焦慮和PTSD(Ginger.io)等方面，我們已經(jīng)看到了應(yīng)用機(jī)器學(xué)習(xí)的一些早期成功范例。由于醫(yī)療數(shù)據(jù)數(shù)字化和數(shù)據(jù)聚合的不斷開展,醫(yī)療數(shù)據(jù)將變得更易于訪問。這使得AI/ML不僅可以削減與過程任務(wù)相關(guān)的本錢,而且還可以利用算法使得過去不相交的數(shù)據(jù)集互通,以改善醫(yī)療護(hù)理本身。最終，由于AI/ML能夠做出超出人類能力的因素考量,使得其可以幫助供應(yīng)商以更高的效率進(jìn)展診斷和治療。量化機(jī)遇藥物發(fā)現(xiàn)失敗的本錢。根據(jù)我們的分析，通過實(shí)施機(jī)器學(xué)習(xí)和人工智能，在以下情況人們有望將藥物開發(fā)與發(fā)現(xiàn)的相關(guān)風(fēng)險(xiǎn)減半：?獲批藥物的平均年度開發(fā)本錢為16億美元，其中包括與失敗藥物相關(guān)的本錢(德勤)。?失敗藥物的年度本錢為300億美元，這筆資金完全可以平均分配給獲批的藥物群（德勤）。xx年，F(xiàn)DA報(bào)告了60種獲批藥物。這意味著算上失敗藥物的研發(fā)本錢，該年度每種獲批藥物的的本錢約為6.98億美元，其中就有將近420億美元用在了失敗藥物上。我們認(rèn)為，機(jī)器學(xué)習(xí)和人工智能可以將新藥研發(fā)過程中的風(fēng)險(xiǎn)減半：到2025年，全球制藥行業(yè)每年即可節(jié)省約260億美元。加速獲得轉(zhuǎn)型至電子安康記錄的收益。當(dāng)前，僅在美國(guó)一地，醫(yī)療信息技術(shù)人員的年度薪酬就已到達(dá)約70億美元。根據(jù)BLS的數(shù)據(jù)，由于人口老齡化及政府向數(shù)字化轉(zhuǎn)型需求的推動(dòng)，預(yù)計(jì)在xx-2024年，醫(yī)療信息技術(shù)人員的就業(yè)前景將實(shí)現(xiàn)大幅度提高：相較其他所有職業(yè)7%的增長(zhǎng)率，此類職業(yè)的增長(zhǎng)將到達(dá)令人咋舌的15%，遠(yuǎn)遠(yuǎn)高于平均水平。然而，考慮到這項(xiàng)職業(yè)中的許多工作任務(wù)很容易被自動(dòng)化和軟件等替代，我們認(rèn)為機(jī)器學(xué)習(xí)和AI有可能將取代幾乎所有這類工作。BLS認(rèn)為，醫(yī)療信息技術(shù)人員的任務(wù)是確保用于報(bào)銷和/或研究的患者醫(yī)療數(shù)據(jù)的質(zhì)量、準(zhǔn)確性、可訪問性和平安性，同時(shí)利用技術(shù)分析患者數(shù)據(jù)，以提高醫(yī)護(hù)質(zhì)量和控制本錢。醫(yī)療行業(yè)中AI/ML日益廣泛的應(yīng)用，可能會(huì)對(duì)這類職業(yè)產(chǎn)生嚴(yán)重影響。根據(jù)人均醫(yī)療支出和全球支出份額估計(jì)，AI/ML有望在2025年在全球范圍內(nèi)削減超過280億美元的年度本錢。誰會(huì)被擾亂?綜上所述，機(jī)器學(xué)習(xí)和人工智能可以節(jié)約藥物發(fā)現(xiàn)與開發(fā)的本錢，提升POS，為供應(yīng)商和醫(yī)療設(shè)施的效率增益，因此，它們有潛力大幅度地改變大型制藥公司以及整個(gè)醫(yī)療系統(tǒng)的前景。我們有理由相信，從長(zhǎng)遠(yuǎn)來看，機(jī)器學(xué)習(xí)和人工智能技術(shù)必將激增，縮短研發(fā)時(shí)間，降低失敗藥物的損失，并使得藥物開發(fā)中的競(jìng)爭(zhēng)加劇。此外，效率增益和自動(dòng)化可能會(huì)對(duì)一些醫(yī)療專業(yè)人員和公司造成一定的，特別是在解釋醫(yī)療結(jié)果和診斷的人士與實(shí)際交付護(hù)理或執(zhí)行手術(shù)的人士之間，例如放射科醫(yī)生、提供第二意見的專家以及行政或支持人員等。我們認(rèn)為這種將會(huì)長(zhǎng)期存在，因?yàn)楝F(xiàn)在許多技術(shù)仍處于早期開發(fā)階段，并且采用這些技術(shù)的本錢相對(duì)于其他改進(jìn)機(jī)制可能稍顯過高。采用的挑戰(zhàn)雖然AI/ML在醫(yī)療領(lǐng)域的許多子領(lǐng)域均存在明顯的機(jī)遇，但技術(shù)采用的障礙仍然存在。本錢。實(shí)施AI/ML需要配備必要工具和能力，但它們的本錢可能十分昂貴。特別是在醫(yī)療行業(yè)中，醫(yī)療本錢仍然是群眾關(guān)注的焦點(diǎn)。為了確保ML算法能很好地利用數(shù)據(jù)，人們需要有意義資本和專門技術(shù)，而光是確保擁有足夠的計(jì)算能力，就將花費(fèi)不菲的金錢?？山忉屝?。算法需要梳理多個(gè)數(shù)據(jù)集，而這往往會(huì)生成一些黑盒。以前一直受到嚴(yán)格監(jiān)管的醫(yī)療行業(yè)有可能因此