生物醫學界充斥著資料。我們擁有從老鼠到人類的兆兆位元組基因組資訊、來自臨床試驗的大量健康指標，以及來自保險公司和藥房的大量所謂的真實世界資料。科學家們使用強大的計算機對這些寶藏進行了仔細研究，取得了一些不錯的成果，但現在已經很清楚，藉助人工智慧，我們可以學到更多。在未來十年，深度學習神經網路很可能改變我們尋找資料模式的方式，以及研究的進行方式以及如何應用於人類健康。這份特別報告探討了這場新興革命的前景。
目前，最大的賭注押在了藥物發現領域。這是有充分理由的。2003年至2013年間，將一種新藥推向市場的平均成本幾乎翻了一番，達到26億美元，而且由於十分之九的新藥在臨床試驗的最後兩個階段失敗，大部分資金都浪費了。每家大型製藥公司都至少與一家專注於人工智慧的初創公司合作，以期提高投資回報率。機器學習演算法可以篩選數百萬種化合物，縮小特定藥物靶點的選擇範圍。更令人興奮的是，人工智慧系統不受流行理論和偏見的約束，可以透過發現健康大腦和帕金森病大腦之間組織、細胞、基因或蛋白質水平上的細微差異來識別全新的靶點——這些差異可能會逃過甚至使人類科學家感到困惑。
同樣敏銳的識別能力也被用於解讀醫學掃描影像。一些系統已經可以檢測到放射科醫生可能會遺漏的癌症早期跡象，或者看到超出人類能力範圍的東西，例如透過視網膜掃描評估心血管風險。美國食品和藥物管理局正在快速批准成像演算法。其他人工智慧應用還處於稍遠的階段。智慧系統能否解決當今電子健康記錄 (EHR) 的低效率問題，防止處方錯誤並提供疾病早期預警？一些世界上最大的科技巨頭正在為此努力。
關於支援科學新聞業
如果您喜歡這篇文章，請考慮透過以下方式支援我們屢獲殊榮的新聞報道： 訂閱。透過購買訂閱，您正在幫助確保有關當今塑造我們世界的發現和想法的具有影響力的故事的未來。
儘管擔心機器會取代人類，但大多數專家認為人工智慧和人類智慧將協同工作。更大的擔憂是缺乏既具備生物醫學知識又精通演算法構建的人才。如果這個問題能夠解決，建立成功的人工智慧應用的關鍵可能取決於我們餵給它們飢餓大口的資料的質量和數量。“我們依賴三件事，”一家深度學習初創公司的執行長說。“資料、資料和更多資料。”
本報告由F. Hoffmann-La Roche Ltd.贊助，發表於《大眾科學》和《自然》雜誌。它由《大眾科學》的編輯獨立製作，他們對編輯內容承擔全部責任。