利用机器学习和人工智能来加速发现

随着计算能力的提高，研究人员可以处理大量数据，因此对其进行扩展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，多学科的思想领导者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AI跟踪于周一启动，重点是将数据转化为治疗方法。阿西姆·西迪基（Asim Siddiqui）NuMedii的首席技术官，讨论了他的公司如何开发技术，以整合生物学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旨在提高成功进行临床试验的可能性。Siddiqui指出了临床试验的高失败率，并指出，即使这些失败率的适度下降也可以提供价值。他介绍了NuMedii的药物发现人工智能（AIDD）技术，该技术将文献中的数据以及合作伙伴和公共数据流中的-omics和其他数据集成到通用平台，在该平台上，他的团队可以运行分析算法进行发现。AIDD涵盖了数百种疾病，外加数千种化合物和靶标。

NuMedii的技术导致了许多有希望的预测。例如，三环抗抑郁药丙咪嗪被预测具有与肿瘤细胞凋亡相关的抗癌活性。实际上，该化合物已在体外和体内显示出针对多种小细胞肺癌模型的活性。Siddiqui最后指出“您不需要庞大的团队来完成很多工作”，他指出了他的团队通过机器学习挖掘的公共领域中的大量数据。

接下来的系列讲座着眼于开发AI自动诊断程序的努力。瑞安·阿梅隆（Ryan Amelon）来自IDx Technologies的IDS分享了IDx-DR的临床试验的发现，IDx-DR是一种旨在检测成人糖尿病性视网膜病变的AI系统，并于去年4月获得FDA的批准，成为有史以来第一种无需专家即可使用的全自动诊断仪。眼科医生对糖尿病性视网膜病进行分类“不是很好”，糖尿病性视网膜病是劳动年龄人群致盲的主要原因，其敏感性范围为33%至73%。IDx-DR的临床试验涵盖了10个地点的900名患者，发现它具有87.2%的敏感性和90.7%的特异性，尽管Amelon表示他和他的团队仍然对数据不了解。，经验丰富，

然后，Amelon概述了IDx-DR如何满足完全自治的AI系统的条件。他强调了其可用性，并指出操作员仅需要高中文凭，并且没有使用眼底照相机的经验。此外，该系统确定FDA研究中96%的检查具有诊断质量。IDx-DR还指导操作员重新拍摄质量不佳的图像。最后，输出是可操作的，并且系统经过严格验证。实际上，Amelon和他的团队已经开发了分别检测糖尿病性视网膜病各种生物标志物的算法，从而获得了大约12个验证点，而不仅仅是一个验证点。在开发一种完全自动化的诊断程序以替代医师方面，“除了训练算法之外，还有很多其他功能，” Amelon说。

斯托尼布鲁克大学（Stony Brook University）主席兼生物医学信息学教授乔尔·萨尔茨（Joel Saltz）讨论了一项多机构合作，以开发基于深度学习的肿瘤浸润淋巴细胞计算染色剂，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，临床结果以及肿瘤和免疫分子特征有关。例如，那些与肿瘤接壤的肿瘤（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，”而是寻找生物标记物以确定哪种疗法有意义。

然后，来自Geisinger的Aalpen A. Patel描述了该公司开发的深度学习算法的开发，该算法使用大量多样的医学成像数据进行训练，以在头部CT扫描中识别颅内出血，并帮助医生确定患者的诊断筛查优先级。每年颅内出血约有200万例中风，几乎一半的死亡发生在颅内出血的前24小时内。在诊所中，该算法将诊断新门诊颅内出血病例的时间缩短了96%。