生物医学界充斥着数据。我们拥有从老鼠到人类的兆兆字节基因组信息、来自临床试验的大量健康指标，以及来自保险公司和药房的大量所谓的真实世界数据。科学家们使用强大的计算机对这些宝藏进行了仔细研究，取得了一些不错的成果，但现在已经很清楚，借助人工智能，我们可以学到更多。在未来十年，深度学习神经网络很可能改变我们寻找数据模式的方式，以及研究的进行方式以及如何应用于人类健康。这份特别报告探讨了这场新兴革命的前景。
目前，最大的赌注押在了药物发现领域。这是有充分理由的。2003年至2013年间，将一种新药推向市场的平均成本几乎翻了一番，达到26亿美元，而且由于十分之九的新药在临床试验的最后两个阶段失败，大部分资金都浪费了。每家大型制药公司都至少与一家专注于人工智能的初创公司合作，以期提高投资回报率。机器学习算法可以筛选数百万种化合物，缩小特定药物靶点的选择范围。更令人兴奋的是，人工智能系统不受流行理论和偏见的约束，可以通过发现健康大脑和帕金森病大脑之间组织、细胞、基因或蛋白质水平上的细微差异来识别全新的靶点——这些差异可能会逃过甚至使人类科学家感到困惑。
同样敏锐的识别能力也被用于解读医学扫描图像。一些系统已经可以检测到放射科医生可能会遗漏的癌症早期迹象，或者看到超出人类能力范围的东西，例如通过视网膜扫描评估心血管风险。美国食品和药物管理局正在快速批准成像算法。其他人工智能应用还处于稍远的阶段。智能系统能否解决当今电子健康记录 (EHR) 的低效率问题，防止处方错误并提供疾病早期预警？一些世界上最大的科技巨头正在为此努力。
关于支持科学新闻业
如果您喜欢这篇文章，请考虑通过以下方式支持我们屡获殊荣的新闻报道： 订阅。通过购买订阅，您正在帮助确保有关当今塑造我们世界的发现和想法的具有影响力的故事的未来。
尽管担心机器会取代人类，但大多数专家认为人工智能和人类智能将协同工作。更大的担忧是缺乏既具备生物医学知识又精通算法构建的人才。如果这个问题能够解决，创建成功的人工智能应用的关键可能取决于我们喂给它们饥饿大口的数据的质量和数量。“我们依赖三件事，”一家深度学习初创公司的首席执行官说。“数据、数据和更多数据。”
本报告由F. Hoffmann-La Roche Ltd.赞助，发表于《大众科学》和《自然》杂志。它由《大众科学》的编辑独立制作，他们对编辑内容承担全部责任。