- 相關(guān)推薦
高盛人工智能生態(tài)報告
近年來，機器學(xué)習(xí)(Machine Learning， ML)和深度學(xué)習(xí)(Deep Learning， DL)的應(yīng)用領(lǐng)域極速擴張，而數(shù)據(jù)、更快的硬件、更好的算法則是推動人工智能的進(jìn)展的三大基石。下文中，動脈網(wǎng)為您節(jié)選了報告中關(guān)于人工智能對醫(yī)療領(lǐng)域的影響，帶您一窺未來醫(yī)療的發(fā)展方向。報告指出，到2025年，醫(yī)療年均成本預(yù)計可節(jié)約540億美元。
機器學(xué)習(xí)在醫(yī)療領(lǐng)域中有廣泛的應(yīng)用前景。醫(yī)療行業(yè)需要豐富且定義明確數(shù)據(jù)集，也需要隨時隨地對患者進(jìn)行監(jiān)督，而醫(yī)療結(jié)果也存在著極大的可變性。機器學(xué)習(xí)可為其中不少的子行業(yè)提供獲得高額回報的潛力，如藥物發(fā)現(xiàn)、測試分析、治療優(yōu)化和患者監(jiān)護(hù)等。隨著人工智能和機器學(xué)習(xí)的不斷整合，人們將有望在新藥研發(fā)的過程中顯著地實現(xiàn)“去風(fēng)險”，不但將節(jié)約每年約260億美元的研發(fā)成本，同時還將提高全球醫(yī)療信息領(lǐng)域的效率，節(jié)約的成本價值超過每年280億美元。
機遇何在?
藥物發(fā)現(xiàn)與開發(fā)。在藥物開發(fā)過程中結(jié)合機器學(xué)習(xí)，有著提升開發(fā)效率的潛力。機器學(xué)習(xí)不但可以加速時間范圍，還可以提高到達(dá)后期試驗階段藥物的成功概率(probability of success， POS)。Medicxi Ventures的合伙人 David Grainger認(rèn)為，錯誤發(fā)現(xiàn)率(False Discovery Rate， FDR)是一個統(tǒng)計學(xué)現(xiàn)象，而避免FDR則有可能將后期試驗階段的風(fēng)險減半。
此外，在藥物發(fā)現(xiàn)的早期階段中，現(xiàn)有虛擬篩選的方法名為“高通量篩選”，而它非常容易受到FDR的影響。如果可以將第3階段試驗的風(fēng)險減半，就可以為大型制藥公司節(jié)約數(shù)十億美元的成本，影響其超過900億美元的研發(fā)經(jīng)費并帶來有意義的回報，使其能夠騰出資源集中于尋找更有潛力的機會。
備注：虛擬篩選(virtualscreening，VS)也稱計算機篩選，即在進(jìn)行生物活性篩選之前，利用計算機上的分子對接軟件模擬目標(biāo)靶點與候選藥物之間的相互作用，計算兩者之間的親和力大小，以降低實際篩選化合物數(shù)目，同時提高先導(dǎo)化合物發(fā)現(xiàn)效率。
雖然與后期試驗相關(guān)的巨額費用往往側(cè)重于臨床試驗的設(shè)計元素，但我們認(rèn)為，將AI/ML應(yīng)用于優(yōu)化后期階段在選擇標(biāo)準(zhǔn)、規(guī)模和研究長度等方面的決策，也可以實現(xiàn)有意義的效率提高。
醫(yī)生/醫(yī)院的效率。由于監(jiān)管和分裂等原因，美國醫(yī)療體系在歷史上對新技術(shù)的采用一直十分緩慢。除了需要應(yīng)對系統(tǒng)的挑戰(zhàn)，從藥物發(fā)現(xiàn)到醫(yī)生和診所將新藥應(yīng)用于醫(yī)療實踐之間的過程往往十分漫長且沒有連續(xù)性。
美國市場研究咨詢機構(gòu)透明市場研究(Transparency Market Research)公司的數(shù)據(jù)顯示，美國政府最近發(fā)布的一系列納入《美國復(fù)蘇與再投資法案》的法令，已經(jīng)推動了諸如電子健康記錄等領(lǐng)域的快速增長，全球市場預(yù)計將在2023年達(dá)到約300億美元。數(shù)據(jù)的聚合，不斷改進(jìn)的數(shù)據(jù)捕獲技術(shù)，以及獨立醫(yī)院的不斷減少等，已經(jīng)為數(shù)據(jù)的大規(guī)模利用創(chuàng)造了一個前所未有的機遇。這一切也將提高機器學(xué)習(xí)算法和人工智能的各項功能，以在醫(yī)療領(lǐng)域的各個方面改善速度、降低成本和提高精度。
總部設(shè)在倫敦的谷歌DeepMind正與英國國民健康服務(wù)(National Health Service， NHS)合作開發(fā)一款旨在監(jiān)測腎臟疾病患者的APP，以及一個前身名為“患者搶救”、旨在支持診斷決策的平臺。
任何AI/ML系統(tǒng)的關(guān)鍵都是海量的數(shù)據(jù)，因此DeepMind和NHS達(dá)成了一個數(shù)據(jù)共享協(xié)議，NHS將為DeepMind提供動態(tài)的新數(shù)據(jù)流和歷史數(shù)據(jù)，以用于訓(xùn)練DeepMind的算法。只有有了海量的數(shù)據(jù)，才有可能對臨床數(shù)據(jù)進(jìn)行實時分析。當(dāng)然，如果DeepMind可以隨時有效獲取患者數(shù)據(jù)，它所能提供的見解將遠(yuǎn)遠(yuǎn)超出腎臟疾病的范圍。
痛點何在?
藥物發(fā)現(xiàn)與開發(fā)。醫(yī)療領(lǐng)域的重要痛點之一，是藥物發(fā)現(xiàn)與開發(fā)的時間和成本。根據(jù)塔夫特藥物發(fā)展研究中心( Tufts Center for the study of Drug Development )的數(shù)據(jù)，一款新藥的面市從藥物發(fā)現(xiàn)到獲得FDA批準(zhǔn)平均大約需要97個月。雖然對專業(yè)技術(shù)的持續(xù)聚焦可以幫助改善時間跨度，但新藥研發(fā)的成本卻仍在持續(xù)增加。德勤的數(shù)據(jù)顯示，自2010年以來，12家主要制藥公司的獲批藥物開發(fā)成本已經(jīng)增加了33%，至約每年16億美元。
研發(fā)回報。生物制藥研發(fā)的生產(chǎn)力至今仍然是一個充滿爭議性的話題。開發(fā)一款成功藥物的成本持續(xù)增加，但由于報銷制度中的不利因素、患者量的降低和企業(yè)間的競爭等，新藥研發(fā)的收入回報環(huán)境也不容樂觀。雖然我們預(yù)計2010 - 2020年的研發(fā)回報相對與2000-2010年會有所提高，但實際上二者之間的變化微不足道。此外，影響研發(fā)回報最重要的不利因素之一在于那些失敗的研發(fā)產(chǎn)品，特別是那些已經(jīng)達(dá)到后期試驗階段的藥物;這些藥物的成本每年估計就占到了400億美元以上。
醫(yī)生/醫(yī)院的效率。醫(yī)療領(lǐng)域的一項特別挑戰(zhàn)，依然是醫(yī)生的醫(yī)療實踐明顯滯后于新藥和新治療方法的獲批。因此，許多醫(yī)療領(lǐng)域的機器學(xué)習(xí)和人工智能專家正不斷鼓勵主要的醫(yī)療服務(wù)供應(yīng)商，讓在其工作流程中融入現(xiàn)代的機器學(xué)習(xí)工具，以使其充分利用收集到的和已發(fā)表的海量醫(yī)療數(shù)據(jù)存儲。
機器學(xué)習(xí)和人工智能可有望降低藥物發(fā)現(xiàn)和醫(yī)療實踐之間的時間差;與此同時，它們還能對治療進(jìn)行優(yōu)化。例如，從北美放射學(xué)會2009年對肝膽放射的研究可見，23%的第二意見會改變診斷結(jié)論，而這也是專注于醫(yī)學(xué)影像的機器學(xué)習(xí)公司有望能解決的領(lǐng)域。此外，那些致力于利用機器學(xué)習(xí)在基因組層面進(jìn)行疾病判斷的公司，例如Deep Genomics等，正幫助供應(yīng)商精確定位，以提供更有效和更有針對性的治療。
目前開展新藥研發(fā)業(yè)務(wù)的通行方法為何?
目前，藥物發(fā)現(xiàn)和開發(fā)業(yè)務(wù)是一個極為漫長的研究、測試和審批過程，持續(xù)的時間可達(dá)10年以上。據(jù)塔夫特藥物發(fā)展研究中心報道，一款藥物從第一階段推進(jìn)到通過FDA審批，平均需要花費96.8個月的時間。新型治療方法的研發(fā)之所以是一個獨特的挑戰(zhàn)，不僅是因為它所需要的漫長時間，而且還由于整個開發(fā)過程中各個階段的POS都十分低。
藥物發(fā)現(xiàn)始于最初的目標(biāo)確定。一旦確定目標(biāo)后，人們通常利用高通量篩選(HTS)來“命中發(fā)現(xiàn)”。HTS成本十分昂貴，它由機器人自動完成，通過在同一時間進(jìn)行數(shù)以百萬計的試驗，找出最有潛力達(dá)到目標(biāo)的化合物，提高藥物發(fā)現(xiàn)的“命中”幾率。“命中”的結(jié)果經(jīng)過優(yōu)化成為導(dǎo)引化合物，然后再進(jìn)一步深入優(yōu)化，為進(jìn)入臨床前藥物開發(fā)過程做好準(zhǔn)備。當(dāng)一款藥物在進(jìn)入第一階段之前，這整個過程下來通常就需要1-3年，而它的POS卻僅僅為20%。
第一階段：重點為安全性;健康的志愿者(POS 20%)。
第二階段：重點為有效性;有某種疾病或健康狀況的志愿者(POS 40%)。
第三階段：進(jìn)一步收集不同人群有關(guān)安全性和有效性、劑量和藥物聯(lián)用等的信息。志愿者數(shù)量為幾百到數(shù)千名(POS 60%)
AI / ML如何起作用?
在醫(yī)療領(lǐng)域，完美利用機器學(xué)習(xí)和AI優(yōu)勢的案例范圍很廣。在那些案例中，決策和/或預(yù)測不是由人的理解或直覺，而是由數(shù)據(jù)、且是由那些遠(yuǎn)遠(yuǎn)超出人類能力范疇的各種影響因素考量而驅(qū)動的。深度學(xué)習(xí)更是展示了其獨特的潛力，因為它可以利用在不同任務(wù)中學(xué)到的知識，來提高在其他任務(wù)中的績效。
減少發(fā)現(xiàn)失敗，增大POS。人們將大量資本投入巨大的機會成本中，來探索、研究新的治療方法，而在這一過程中，能達(dá)到第一階段試驗的成功概率(POS)大約只有20%。因此，迄今為止，學(xué)者們已經(jīng)紛紛倡導(dǎo)利用AI/ML開發(fā)有效和準(zhǔn)確的虛擬篩選方法，以取代昂貴且耗時的高通量篩選過程。
最近，谷歌和斯坦福的研究人員正致力于利用深度學(xué)習(xí)開發(fā)虛擬篩選技術(shù)，以取代或增強傳統(tǒng)的高通量篩選(HTS)過程，并提高篩選的速度和成功率。通過應(yīng)用深度學(xué)習(xí)，研究人員能夠?qū)崿F(xiàn)跨越多個靶點的眾多實驗的信息共享。正如Bharath Ramsundar等在其一篇機器學(xué)習(xí)相關(guān)的論文中所稱：
“我們的實驗表明，深層神經(jīng)網(wǎng)絡(luò)優(yōu)于所有其他方法……尤其在于，深層神經(jīng)網(wǎng)絡(luò)大大超越了所有現(xiàn)有的商業(yè)解決方案。在許多靶點上，它都實現(xiàn)了接近完美的預(yù)測質(zhì)量，使其尤其適合被用作虛擬篩選裝置�？傊疃葘W(xué)習(xí)提供了建立虛擬篩選并將其作為藥物設(shè)計管道中標(biāo)準(zhǔn)步驟的機會。”(Massively Multitask Networks for Drug Discovery，2015/2/6)
2012年，默克公司主持了一項由數(shù)據(jù)科學(xué)公司Kaggle發(fā)起的旨在確定虛擬篩選統(tǒng)計技術(shù)的挑戰(zhàn)�，F(xiàn)在，Kaggle已經(jīng)開始測試深度學(xué)習(xí)和AI的應(yīng)用，并與AI藥物發(fā)現(xiàn)初創(chuàng)公司Atomwise開展合作。Atomwise最近利用AI技術(shù)，在不到一天的時間內(nèi)對現(xiàn)有的7000多種藥物進(jìn)行了分析測試，為尋找埃博拉病毒治療方案做出了貢獻(xiàn)。根據(jù)該公司的統(tǒng)計，如果利用傳統(tǒng)方法，這項分析需要花費數(shù)月甚至數(shù)年才能完成。
提高醫(yī)生/醫(yī)院效率。在改善診斷(Enlitic， DeepMind Health)、分析放射學(xué)結(jié)果(Zebra MedicalVision， Bay Labs)、基因組醫(yī)學(xué)(Deep Genomics)等領(lǐng)域，甚至利用AI治療抑郁癥、焦慮和PTSD(Ginger.io)等方面，我們已經(jīng)看到了應(yīng)用機器學(xué)習(xí)的一些早期成功范例。由于醫(yī)療數(shù)據(jù)數(shù)字化和數(shù)據(jù)聚合的不斷發(fā)展，醫(yī)療數(shù)據(jù)將變得更易于訪問。這使得AI/ML不僅可以削減與過程任務(wù)相關(guān)的成本，而且還可以利用算法使得過去不相交的數(shù)據(jù)集互通，以改善醫(yī)療護(hù)理本身。最終，由于AI/ML能夠做出超出人類能力的因素考量，使得其可以幫助供應(yīng)商以更高的效率進(jìn)行診斷和治療。
量化機遇
藥物發(fā)現(xiàn)失敗的成本。根據(jù)我們的分析，通過實施機器學(xué)習(xí)和人工智能，在以下情況人們有望將藥物開發(fā)與發(fā)現(xiàn)的相關(guān)風(fēng)險減半：
·獲批藥物的平均年度開發(fā)成本為16億美元，其中包括與失敗藥物相關(guān)的成本(德勤)。
·失敗藥物的年度成本為300億美元，這筆資金完全可以平均分配給獲批的藥物群(德勤)。
2015年，F(xiàn)DA報告了60種獲批藥物。這意味著算上失敗藥物的研發(fā)成本，該年度每種獲批藥物的的成本約為6.98億美元，其中就有將近420億美元用在了失敗藥物上。我們認(rèn)為，機器學(xué)習(xí)和人工智能可以將新藥研發(fā)過程中的風(fēng)險減半：到2025年，全球制藥行業(yè)每年即可節(jié)省約260億美元。
加速獲得轉(zhuǎn)型至電子健康記錄的收益。當(dāng)前，僅在美國一地，醫(yī)療信息技術(shù)人員的年度薪酬就已達(dá)到約70億美元。根據(jù)BLS的數(shù)據(jù)，由于人口老齡化及政府向數(shù)字化轉(zhuǎn)型需求的推動，預(yù)計在2014-2024年，醫(yī)療信息技術(shù)人員的就業(yè)前景將實現(xiàn)大幅度提高：相較其他所有職業(yè)7%的增長率，此類職業(yè)的增長將達(dá)到令人咋舌的15%，遠(yuǎn)遠(yuǎn)高于平均水平。然而，考慮到這項職業(yè)中的許多工作任務(wù)很容易被自動化和軟件等替代，我們認(rèn)為機器學(xué)習(xí)和AI有可能將取代幾乎所有這類工作。
BLS認(rèn)為，醫(yī)療信息技術(shù)人員的任務(wù)是確保用于報銷和/或研究的患者醫(yī)療數(shù)據(jù)的質(zhì)量、準(zhǔn)確性、可訪問性和安全性，同時利用技術(shù)分析患者數(shù)據(jù)，以提高醫(yī)護(hù)質(zhì)量和控制成本。醫(yī)療行業(yè)中AI/ML日益廣泛的應(yīng)用，可能會對這類職業(yè)產(chǎn)生嚴(yán)重影響。根據(jù)人均醫(yī)療支出和全球支出份額估計，AI/ML有望在2025年在全球范圍內(nèi)削減超過280億美元的年度成本。
誰會被擾亂?
綜上所述，機器學(xué)習(xí)和人工智能可以節(jié)約藥物發(fā)現(xiàn)與開發(fā)的成本，提升POS，為供應(yīng)商和醫(yī)療設(shè)施的效率增益，因此，它們有潛力大幅度地改變大型制藥公司以及整個醫(yī)療系統(tǒng)的前景。我們有理由相信，從長遠(yuǎn)來看，機器學(xué)習(xí)和人工智能技術(shù)必將激增，縮短研發(fā)時間，降低失敗藥物的損失，并使得藥物開發(fā)中的競爭加劇。
此外，效率增益和自動化可能會對一些醫(yī)療專業(yè)人員和公司造成一定的混亂，特別是在解釋醫(yī)療結(jié)果和診斷的人士與實際交付護(hù)理或執(zhí)行手術(shù)的人士之間，例如放射科醫(yī)生、提供第二意見的專家以及行政或支持人員等。我們認(rèn)為這種混亂將會長期存在，因為現(xiàn)在許多技術(shù)仍處于早期開發(fā)階段，并且采用這些技術(shù)的成本相對于其他改進(jìn)機制可能稍顯過高。
采用的挑戰(zhàn)
雖然AI/ML在醫(yī)療領(lǐng)域的許多子領(lǐng)域均存在明顯的機遇，但技術(shù)采用的障礙仍然存在。
成本。實施AI/ML需要配備必要工具和能力，但它們的成本可能十分昂貴。特別是在醫(yī)療行業(yè)中，醫(yī)療成本仍然是大眾關(guān)注的焦點。為了確保ML算法能很好地利用數(shù)據(jù)，人們需要有意義資本和專門技術(shù)，而光是確保擁有足夠的計算能力，就將花費不菲的金錢。
可解釋性。算法需要梳理多個數(shù)據(jù)集，而這往往會生成一些所謂的黑盒。以前一直受到嚴(yán)格監(jiān)管的醫(yī)療行業(yè)有可能因此會推遲AI/ML應(yīng)用的發(fā)展。
人才。采用AI/ML技術(shù)的障礙也可能來自相關(guān)領(lǐng)域人才的聚合。2013年，Google支付了超過4億美元收購了DeepMind Technologies;而根據(jù)新聞報道，彼時該團隊的成員大概只有十幾個人。聚合這樣一群高級人才的難度以及由此產(chǎn)生的高昂成本可能會令人望而卻步。
數(shù)據(jù)。雖然美國政府已經(jīng)頒布法令幫助實現(xiàn)電子健康記錄的數(shù)字化，但將普遍使用紙張的系統(tǒng)轉(zhuǎn)變?yōu)橥耆娮踊倪^程仍然存在挑戰(zhàn)。此外，雖然許多機構(gòu)已經(jīng)邁過了“有意義使用”的門檻，但是重要患者數(shù)據(jù)的碎片化和缺乏可獲得性仍然阻礙著改革的進(jìn)一步發(fā)展。
【高盛人工智能生態(tài)報告】相關(guān)文章：
高管述職報告12-18
企業(yè)高管報告02-14
高管述職報告03-15
高管辭職報告公司高管辭職報告01-09
生態(tài)農(nóng)業(yè)發(fā)展報告03-28
生態(tài)文明建設(shè)調(diào)研報告03-30
生態(tài)文明建設(shè)調(diào)研報告04-18
生態(tài)文明建設(shè)調(diào)研報告04-18
政治生態(tài)研判情況報告05-06