1. 首页
  2. 机器学习

人工智能在医学领域的四大应用

机器学习在制药和生物技术效率方面取得了长足的进步。这篇文章总结了当今AI在医学领域的四大应用

人工智能在医学领域的四大应用

1.诊断疾病

正确诊断疾病需要多年的医学培训。即使那样,诊断通常也是一个艰巨,耗时的过程。在许多领域,对专家的需求远远超过了可用的供应。这使医生承受压力,并常常延迟了挽救生命的患者诊断。

机器学习-尤其是深度学习算法-最近在自动诊断疾病方面取得了巨大的进步,使诊断更便宜,更容易获得

机器如何学习诊断

机器学习算法可以像医生看病一样学习看病模式。一个关键的区别是,算法需要大量的具体示例(成千上万个)才能学习。这些示例需要进行整齐的数字化处理-机器无法在教科书中的各行之间阅读。

因此,机器学习在医生检查的诊断信息已经数字化的领域特别有用。

如:

  • 根据CT扫描检测肺癌或中风
  • 根据心电图心脏MRI图像评估心脏猝死或其他心脏病的风险
  • 皮肤图像中对皮肤病变进行分类
  • 眼睛图像中寻找糖尿病性视网膜病变的指标
ML使用示例

由于在这些情况下有大量的可用数据,因此算法在诊断方面正变得与专家一样好。区别在于:该算法可以在不到一秒钟的时间内得出结论,并且可以在世界各地廉价地复制。很快,每个地方的每个人都可以以低廉的价格获得放射诊断学顶级专家的同等质量。

即将推出更多高级AI诊断程序

机器学习在诊断中的应用才刚刚开始–雄心勃勃的系统涉及多种数据源(CT,MRI,基因组学和蛋白质组学,患者数据,甚至手写文件)的组合,以评估疾病或疾病的进展。

人工智能不会很快取代医生

AI不可能完全取代医生。取而代之的是,AI系统将被用来突出潜在恶性病变或危险的心脏图案的专家-允许医生给专注于解释这些信号。在医学用例中获得更多的AI-订阅我们的每周时事通讯。

2.更快地开发药物

实验室人员

开发药品是一个众所周知的昂贵过程。借助机器学习,可以使药物开发中涉及的许多分析过程更加高效。这有可能节省数年的工作和数亿美元的投资

AI已成功用于药物开发的所有四个主要阶段

  • 阶段1:确定干预目标
  • 阶段2:发现候选药物
  • 阶段3:加快临床试验
  • 阶段4:寻找诊断疾病的生物标志物
药物目标
阶段1:确定干预目标

药物开发的第一步是了解疾病的生物起源(途径)及其抵抗机制。然后,您必须确定治疗该疾病的良好靶标(通常是蛋白质)。高通量技术的广泛可用性,例如短发夹RNA(shRNA)筛选和深度测序,大大增加了可用于发现可行靶途径的数据量。但是,使用传统技术,集成大量和各种各样的数据源,然后找到相关的模式仍然是一个挑战。

机器学习算法可以更轻松地分析所有可用数据,甚至可以学习自动识别良好的目标蛋白质

药物发现
阶段2:发现候选药物

接下来,您需要找到一种化合物,该化合物可以按所需方式与已识别的目标分子发生相互作用。这涉及针对其对靶标的影响(亲和力)筛选大量(通常是数千甚至数百万)的潜在化合物,更不用说它们的脱靶副作用(毒性)了。这些化合物可以是天然的,合成的或生物工程的。

但是,当前的软件通常不准确,并且会产生很多错误的建议(误报)–因此,将其范围缩小到最佳候选药物(称为潜在客户)需要花费很长时间。

机器学习算法还可以在这里提供帮助:它们可以学习根据结构指纹和分子描述符预测分子的适用性。然后,它们会燃烧掉数百万个潜在分子,并将它们全部过滤到最佳选择,即那些副作用最小的分子。最终节省了药物设计的大量时间。

临床试验
阶段3:加快临床试验

很难找到适合临床试验的候选人。如果您选择了错误的候选人,则会延长试用期–花费大量时间和资源。

机器学习可通过自动识别合适的候选者并确保针对试验参与者群体的正确分配来加快临床试验的设计。算法可以帮助识别将好候选人与坏候选人区分开的模式。它们还可以作为未产生最终结果的临床试验的预警系统-允许研究人员更早地进行干预,并有可能节省药物的开发。

治疗诊断
阶段4:寻找诊断疾病的生物标志物

确定诊断后,您才能对患者进行疾病治疗。一些方法非常昂贵,涉及复杂的实验室设备以及专家知识,例如全基因组测序。

生物标志物是在体液(通常是人的血液)中发现的分子,可以绝对确定患者是否患有疾病。它们使诊断疾病的过程既安全又便宜

您还可以使用它们来查明疾病的进展-使医生更容易选择正确的治疗方法并监视药物是否有效。

但是,很难找到适合特定疾病的生物标志物。这是另一个昂贵,费时的过程,涉及筛选成千上万的潜在分子候选物。

AI可以使大部分手动工作自动化,并加快流程。该算法将分子分为好和坏候选物-帮助临床医生专注于分析最佳前景。

生物标志物可用于识别:

  • 尽早存在疾病-诊断生物标志物
  • 患者患病的风险-风险生物标志物
  • 疾病的可能进展-预后生物标志物
  • 病人是否会对药物做出反应-预测性生物标志物

3.个性化待遇

不同的患者对药物和治疗方案的反应不同。因此,个性化治疗具有巨大的潜力,可以延长患者的寿命。但是很难确定哪些因素会影响治疗的选择。

机器学习可以使这项复杂的统计工作自动化-并帮助发现哪些特征表明患者将对特定治疗产生特定反应。因此,该算法可以预测患者对特定治疗的可能反应。

该系统通过交叉引用相似的患者并比较他们的治疗和结果来学习这一点。由此产生的结果预测使医生更容易设计正确的治疗计划

4.改善基因编辑

靶向基因编辑

簇状规则间隔的短回文重复序列(CRISPR),特别是用于基因编辑的CRISPR-Cas9系统,是我们有效地编辑DNA的能力的一个巨大飞跃-准确地说,就像外科医生一样。

此技术依赖于短链RNA(sgRNA)来靶向和编辑DNA上的特定位置。但是指导RNA可以适合多个DNA位置-并可能导致意想不到的副作用(脱靶效应)。谨慎选择具有最小危险副作用的指导RNA是CRISPR系统应用中的主要瓶颈

预测给定sgRNA的导向靶相互作用和脱靶效应的程度时,已证明机器学习模型可以产生最佳结果。这可以显着加速人类DNA各个区域的指导RNA的开发。

概括

人工智能已经在帮助我们更有效地诊断疾病,开发药物,个性化治疗方法,甚至编辑基因。

但这仅仅是开始。我们越是将医学数据数字化和统一化,就越可以使用AI帮助我们找到有价值的模式-我们可以使用这些模式在复杂的分析过程中做出准确,具有成本效益的决策。

版权声明:本文内容由互联网用户贡献,该文观点仅代表作者本人。本站不拥有所有权,不承担相关法律责任。如发现有侵权/违规的内容, 联系QQ1841324605,本站将立刻清除。

发表评论

您的电子邮箱地址不会被公开。 必填项已用*标注

联系我们

服务热线:130-0886-1890

QR code