隨著(zhù)計算能力的提高，研究人員可以處理大量數據，因此對其進(jìn)行擴展分析變得越來(lái)越具有挑戰性。在舊金山舉行的分子醫學(xué)三方會(huì )議上，多學(xué)科的思想領(lǐng)導者在機器學(xué)習和人工智能領(lǐng)域解決了這個(gè)問(wèn)題。他們分享了這些技術(shù)在大規模數據中的最新應用，以簡(jiǎn)化藥物發(fā)現，臨床試驗和診斷。
機器學(xué)習和AI跟蹤于周一啟動(dòng)，重點(diǎn)是將數據轉化為治療方法。阿西姆·西迪基(Asim Siddiqui)NuMedii的首席技術(shù)官，討論了他的公司如何開(kāi)發(fā)技術(shù)，以整合生物學(xué)數據并創(chuàng )建可以預測藥物-疾病配對的模型。通過(guò)準確預測這些配對，NuMedii旨在提高成功進(jìn)行臨床試驗的可能性。Siddiqui指出了臨床試驗的高失敗率，并指出，即使這些失敗率的適度下降也可以提供價(jià)值。他介紹了NuMedii的藥物發(fā)現人工智能(AIDD)技術(shù)，該技術(shù)將文獻中的數據以及合作伙伴和公共數據流中的-omics和其他數據集成到通用平臺，在該平臺上，他的團隊可以運行分析算法進(jìn)行發(fā)現。AIDD涵蓋了數百種疾病，外加數千種化合物和靶標。
NuMedii的技術(shù)導致了許多有希望的預測。例如，三環(huán)抗抑郁藥丙咪嗪被預測具有與腫瘤細胞凋亡相關(guān)的抗癌活性。實(shí)際上，該化合物已在體外和體內顯示出針對多種小細胞肺癌模型的活性。Siddiqui最后指出“您不需要龐大的團隊來(lái)完成很多工作”，他指出了他的團隊通過(guò)機器學(xué)習挖掘的公共領(lǐng)域中的大量數據。
接下來(lái)的系列講座著(zhù)眼于開(kāi)發(fā)AI自動(dòng)診斷程序的努力。瑞安·阿梅隆(Ryan Amelon)來(lái)自IDx Technologies的IDS分享了IDx-DR的臨床試驗的發(fā)現，IDx-DR是一種旨在檢測成人糖尿病性視網(wǎng)膜病變的AI系統，并于去年4月獲得FDA的批準，成為有史以來(lái)第一種無(wú)需專(zhuān)家即可使用的全自動(dòng)診斷儀。眼科醫生對糖尿病性視網(wǎng)膜病進(jìn)行分類(lèi)“不是很好”，糖尿病性視網(wǎng)膜病是勞動(dòng)年齡人群致盲的主要原因，其敏感性范圍為33%至73%。IDx-DR的臨床試驗涵蓋了10個(gè)地點(diǎn)的900名患者，發(fā)現它具有87.2%的敏感性和90.7%的特異性，盡管Amelon表示他和他的團隊仍然對數據不了解。，經(jīng)驗豐富，
然后，Amelon概述了IDx-DR如何滿(mǎn)足完全自治的AI系統的條件。他強調了其可用性，并指出操作員僅需要高中文憑，并且沒(méi)有使用眼底照相機的經(jīng)驗。此外，該系統確定FDA研究中96%的檢查具有診斷質(zhì)量。IDx-DR還指導操作員重新拍攝質(zhì)量不佳的圖像。最后，輸出是可操作的，并且系統經(jīng)過(guò)嚴格驗證。實(shí)際上，Amelon和他的團隊已經(jīng)開(kāi)發(fā)了分別檢測糖尿病性視網(wǎng)膜病各種生物標志物的算法，從而獲得了大約12個(gè)驗證點(diǎn)，而不僅僅是一個(gè)驗證點(diǎn)。在開(kāi)發(fā)一種完全自動(dòng)化的診斷程序以替代醫師方面，“除了訓練算法之外，還有很多其他功能，” Amelon說(shuō)。
斯托尼布魯克大學(xué)(Stony Brook University)主席兼生物醫學(xué)信息學(xué)教授喬爾·薩爾茨(Joel Saltz)討論了一項多機構合作，以開(kāi)發(fā)基于深度學(xué)習的腫瘤浸潤淋巴細胞計算染色劑，該研究在去年4月的《細胞報道》(Cell Reports)中有所描述(DOI：10.1016 / j.celrep。 2018.03.086)。腫瘤浸潤淋巴細胞的模式與癌癥類(lèi)型，臨床結果以及腫瘤和免疫分子特征有關(guān)。例如，那些與腫瘤接壤的腫瘤(防止腫瘤穿透)與不良預后相關(guān)。薩爾茨說(shuō)：“這里的目標不是取代病理學(xué)家，”而是尋找生物標記物以確定哪種療法有意義。
然后，來(lái)自Geisinger的Aalpen A. Patel描述了該公司開(kāi)發(fā)的深度學(xué)習算法的開(kāi)發(fā)，該算法使用大量多樣的醫學(xué)成像數據進(jìn)行訓練，以在頭部CT掃描中識別顱內出血，并幫助醫生確定患者的診斷篩查優(yōu)先級。每年顱內出血約有200萬(wàn)例中風(fēng)，幾乎一半的死亡發(fā)生在顱內出血的前24小時(shí)內。在診所中，該算法將診斷新門(mén)診顱內出血病例的時(shí)間縮短了96%。