人工智能(AI)是一支強大的力量，已經(jīng)在重塑我們的生活，環(huán)境和互動。它可以定義為一個程序，其目的是產(chǎn)生類人的認知過程，甚至可能改善它們。人工智能具有很多方面：它可以像在游戲程序中一樣是算法上的，也可以像在自動駕駛汽車中那樣采用控制理論的方法。它也可能表現(xiàn)為語言能力，創(chuàng)造力，空間推理，學習和許多其他能力。我們現(xiàn)在認識到，人工智能已經(jīng)開始大舉進入生命科學領域，例如使用機器學習從巨大的生物學數(shù)據(jù)中發(fā)現(xiàn)，結(jié)合各種類型的健康記錄和基因組數(shù)據(jù)，發(fā)現(xiàn)新藥或藥物靶標，發(fā)現(xiàn)新的細胞類型組，進行診斷或自定義健康程序(如精密醫(yī)學)。

如今，生命科學行業(yè)在很多領域都有效地使用了AI。以下各節(jié)描述了其中六個領域。

推進診斷

鑒于完整的組織學切片的數(shù)字化技術的進步，可以進行所有的顯微鏡放大，組織病理學圖像分析和自動診斷對于AI來說已經(jīng)成熟。AI和模式識別，結(jié)合復雜的算法和自動免疫組織化學測量系統(tǒng)，使高級病理學家能夠監(jiān)督分析并專注于更困難的病例。

推進新產(chǎn)品研究

生命科學公司正在探索如何利用AI來識別現(xiàn)有產(chǎn)品的新適應癥或研究新候選人。示例包括但不限于：

•使用復雜的學習算法來挖掘現(xiàn)實世界中的結(jié)構化和非結(jié)構化數(shù)據(jù)，以發(fā)現(xiàn)見解，從而可以確定疾病的新機制，潛在的新領域擴展以及臨床前實驗設計。

•可以填補候選人如何作用于蛋白質(zhì)以幫助設計新藥方面的知識空白。

•可以從商業(yè)，科學和法規(guī)文獻中實時提取知識，使研究人員能夠識別競爭性空白，消除研究中的盲點，并發(fā)現(xiàn)疾病的相似性。

加快藥物開發(fā)

在整個行業(yè)中，從發(fā)現(xiàn)到發(fā)布，產(chǎn)品開發(fā)的時間范圍從7到10年不等，并著眼于將產(chǎn)品開發(fā)的時間縮短到5至7年。人工智能和機器學習的進步減少了開發(fā)，制造和推出新的患者療法所需的時間，從而縮短了總體產(chǎn)品開發(fā)時間表?？茖W家們正在整合研究數(shù)據(jù)，實驗室數(shù)據(jù)和臨床數(shù)據(jù)，并結(jié)合整個藥物開發(fā)領域的新信息來源(例如社交媒體和可穿戴設備)，以全面了解藥物開發(fā)候選者。改進的實時獲取和挖掘數(shù)據(jù)的方式使科學家能夠使用AI和機器學習更快地做出改進的決策，這將加速產(chǎn)品開發(fā)和擴大規(guī)模的過程。

提高臨床試驗透明度的合規(guī)性

合規(guī)性通常是公司的負擔，并且需要一種在滿足法規(guī)要求的同時降低成本的方法。歐洲藥品管理局(EU)的政策0070和0043是最近引入的法規(guī)示例，要求公司在臨床報告中匿名或編輯患者信息。盡管可以使用通才自動化工具，但許多工具不能滿足滿足策略要求所需的精度。利用基于定制NLP技術的高級算法，結(jié)合了特定于科學的分類法和文本挖掘模型，新的應用正在涌現(xiàn)。使用這些高級模型，可以識別可能需要修改或匿名化的關鍵字，短語和數(shù)據(jù)模式(例如不良事件日期)。

改善臨床部位選擇并加快患者識別

將近80%的臨床試驗未能滿足其患者入組截止日期。將未分析的歷史結(jié)構化和非結(jié)構化臨床試驗數(shù)據(jù)結(jié)合到高級AI模型中，可以通過突出顯示高概率目標來改善和加速臨床部位和患者選擇的決策。在積極的臨床計劃期間繼續(xù)使用高級AI模型可實現(xiàn)實時調(diào)整和過程更正。在臨床試驗開始時就參與高概率成功目標，并愿意進行實時路線修正，這增加了滿足患者入組時間表的可能性。