利用机器学习和人工智能加速发现

随着计算能力的提高，研究人员可以处理大量的数据，因此对其进行扩展和分析变得越来越具有挑战性。在旧金山举行的分子医学三方会议上，来自各个学科的思想领袖在机器学习和人工智能领域解决了这个问题。他们分享了这些技术在大规模数据中的最新应用，以简化药物发现、临床试验和诊断。

机器学习和人工智能跟踪从周一开始，重点是将数据转化为治疗方法。Numedii的首席技术官Assim siddiqui讨论了他的公司如何开发技术来集成生物数据并创建可以预测药物-疾病配对的模型。通过准确预测这些配对，NuMedii旨在提高临床试验成功的可能性。Siddiqui指出了临床试验的高失败率，并指出即使这些失败率适度下降也能提供价值。他引入了NuMedii的药物发现人工智能(AIDD)技术，该技术将文献中的数据、-omics以及合作伙伴和公共数据流中的其他数据集成到一个通用平台中，他的团队可以在该平台上运行用于发现的分析算法。AIDD涵盖了数百种疾病，以及数千种化合物和靶标。

NuMedii的技术带来了许多有希望的预测。例如，丙咪嗪，一种三环类抗抑郁药，被预测具有与肿瘤细胞凋亡相关的抗癌活性。事实上，该化合物在体外和体内显示出对各种小细胞肺癌模型的活性。Siddiqui最后指出“做很多工作不需要庞大的团队”，他指出他的团队通过机器学习在公共领域挖掘了大量数据。

接下来的系列讲座将重点介绍人工智能自动诊断程序的开发。来自IDx Technologies的Ryan Amelon的IDS分享了IDx-DR的临床试验结果，IDx-DR是一种人工智能系统，旨在检测成人糖尿病视网膜病变，去年4月获得FDA批准，成为有史以来第一台没有专家参与的全自动诊断仪器。眼科医生对糖尿病视网膜病变的分类是“不太好”。糖尿病视网膜病变是劳动年龄人群致盲的主要原因，其敏感性在33%至73%之间。IDx-DR的临床试验覆盖了10个地点的900名患者，发现其具有87.2%的敏感性和90.7%的特异性，尽管Amelon说他和他的团队仍然不了解数据。经验丰富，

然后，Amelon概述了IDx-DR如何满足完全自主的AI系统的条件。他强调了它的可用性，并指出操作人员只需要高中文凭，没有使用眼底相机的经验。此外，该系统确定FDA研究中96%的检查具有诊断质量。IDx-DR还指示操作员重拍质量差的图像。最后，输出是可操作的，系统经过严格验证。事实上，Amelon和他的团队已经开发了检测糖尿病视网膜病变各种生物标志物的算法，从而获得了大约12个验证点，而不是只有一个验证点。Amelon说，在开发全自动诊断程序以取代医生的过程中，“除了训练算法，还有许多其他功能”。

storni Stony Brook大学校长、生物医学信息学教授Joel Saltz讨论了一项多机构合作开发基于深度学习的肿瘤浸润淋巴细胞计算染色的研究，该研究在去年4月的《细胞报道》 (Cell Reports)中有所描述(DOI:10.1016/j . celrep . 2018 . 03 . 086)。肿瘤浸润淋巴细胞的模式与癌症类型、临床结局、肿瘤和免疫分子特征有关。例如，与肿瘤相邻的那些(防止肿瘤穿透)与不良预后相关。萨尔茨说，“这里的目标不是取代病理学家”，而是找到生物标志物来确定哪些治疗是有意义的。

接着，来自Geisinger的A. Patel介绍了公司开发的深度学习算法的开发，该算法利用大量医学影像数据进行训练，在头部CT扫描中识别颅内出血，帮助医生确定患者的诊断筛查优先级。颅内出血每年约有200万次卒中，几乎一半的死亡发生在颅内出血的前24小时内。在临床上，该算法可将新门诊颅内出血病例的诊断时间缩短96%。