2018年人工智能和医疗领域里发生的大事件盘点

时间飞逝，转眼已是2019年了。2018年1月22日，药明康德AI发表了第一篇文章；不知不觉间，药明康德AI已经与读者朋友们一起走过了将近一年的时间。在这一年里，我们一直致力于第一时间为大家带来人工智能在医疗大健康领域的相关动态和最新进展。在这篇文章中，人工智能和医疗领域里发生了哪些大事，我们将一一进行盘点。

机器学习模型有望提前五年预测白血病

一个由来自全球多家科研机构的白血病专家组成的研究小组使用血液检测和机器学习技术，来预测健康个体是否有患急性骨髓性白血病（AML）的风险，这项研究发表在了《自然》上，有望最多提前五年对白血病进行预测。急性骨髓性白血病（AML）是一种进展迅速、危及生命的血液肿瘤，可以影响所有年龄段的人群。这项研究意味着我们可以提早发现AML的高风险人群并进行监测，同时可以寻找降低该疾病患病几率的方案。

多款重磅AI医疗产品获批

2018年有多款数字医疗产品获批，而其中一些产品具有非常重大的意义。去年4月，美国FDA批准了首款使用人工智能检测糖尿病患者视网膜病变的医疗设备IDx-DR。IDx-DR由IDx公司开发，是首个获得市场营销授权可以提供筛查决策，而无需临床医生对图像或结果进行解读的医疗设备，这使得通常不参与眼科治疗的医生也能使用该设备。

而在去年8月，美国FDA批准了Aidoc公司基于AI的工作流程优化组合产品，该产品能够配合放射科医生的工作，在头部CT图像中对急性颅内出血病例进行标记。这也是FDA批准的全球首个利用深度学习技术，协助放射科医生进行分诊工作的产品。

谷歌和DeepMind大放异彩

要是说到人工智能在医疗大健康领域的突破，就不能不提到谷歌及DeepMind。2018年一年的时间里，谷歌和DeepMind公司开发的人工智能取得了多项成就：去年2月，谷歌大脑研究小组（Google Brain team）发现通过AI技术，人眼的视网膜图像能够非常准确地预测影响心血管健康的风险因素，包括：年龄、性别、吸烟状况、收缩压、不良心血管事件等。

9月，来自纽约大学医学院的研究人员使用来自谷歌的深度卷积神经网络Inception v3，开发了一个新的机器学习程序，不仅能够以97%的准确率确定患者的肺癌类型，甚至还可以识别导致异常细胞生长的变异基因。

上图为AI模型从癌变组织图像中识别两种肺癌类型的示意图。其中左图为原始图像，右图为AI输出的肺癌类型图谱。右图中的红色部分为鳞状细胞癌，蓝色部分为非鳞状细胞癌，灰色部分为正常肺部组织

DeepMind作为谷歌旗下专注人工智能研究的公司，更是在这一领域取得了重大突破。去年8月，DeepMind在《Nature Medicine》上发表了一项研究成果，其开发的系统依照光学相干断层扫描（OCT）数据进行诊断，可以识别50种左右的眼疾，这对验证人工智能技术的安全性和有效性十分重要。更重要的是，这项研究还解决了人工智能黑箱问题。未来，不管是癌症、神经疾病还是视力问题，这项成果都能让病人们得到更好的治疗。

除此之外，DeepMind在去年12月初推出的生物界“AlphaGo”更是让人眼前一亮：这个名为AlphaFold的全新系统能够预测并生成蛋白质的3D结构，并在早些时候举行的国际蛋白质结构预测竞赛（CASP）上击败了所有的人类参会选手。在比赛中，AlphaFold在98名参赛者中名列榜首，预测了43种蛋白质中的25种最准确结构，而同一类别的第二名参赛队伍只预测出了43种中的3种。

图中绿色为蛋白质的真实结构，蓝色为AlphaFold预测得出的结构

新型AI算法探秘药物晶体结构，比传统方法提速一万倍

11月，来自瑞士洛桑联邦理工学院（EPFL）的科学家们建立了一个名为ShiftML的机器学习程序，用来预测分子中的原子在磁场中的移动状况。即使对于相对简单的分子，ShiftML的计算速度也比现有的方法快了将近1万倍。这项研究表明，AI可以帮助化学家们用比传统建模方法更快的方式，来破解晶体的分子结构。

“化学AlphaGo”诞生，可将合成路线设计速度提高30倍

去年3月，来自上海大学的Mark Waller教授团队应用深层神经网络及人工智能算法，成功地规划了新的化学合成路线。研究结果表明，这种新型的算法在单个分子限制时间为5秒钟的情况下，能够对测试集中80%的分子合成路线进行预测。当单个分子用时限制延长至60秒时，新型算法预测分子合成路线的比例达到了92%。这一结果比传统的计算机辅助合成路线设计加快了近30倍。

即便是权威的合成化学家，也无法区分这款软件与人类化学家之间的区别。这是人工智能在化学合成领域的重大突破，Mark Waller教授也被诸多媒体誉为“化学AlphaGo”的先驱。

CRISPR的最大短板之一，AI竟能几乎完美解决？

近几年出现的基因编辑工具CRISPR-Cas9为研究者提供了定点编辑基因组的能力。CRISPR能根据用户设计的向导RNA（gRNA），在基因组中找到精确位置诱导DNA双链断裂。它比以往的基因编辑工具更方便和便宜，因而得到广泛使用。

去年11月份，美国麻省理工和哈佛大学的研究者开发出了一种计算模型，可以通过机器学习来提升CRISPR-Cas9的效果，对致病基因变异实现精准且可预测的编辑。这项成果为遗传疾病的研究和潜在疗法提供了新的可能性。