人工智能+医疗为何如此受资本青睐,人工智能能否攻克医疗难题?

作者: 机器之能 2018-06-28 17:50:11

在 2018 年,仅前十大制药公司将创造超过三千亿美元的收入。与此同时,目前需要 10 年时间才能将新药推向市场,同时花费超过 25 亿美元(有时高达 120 亿美元)。即使进入 I 期临床试验的 10 种药物中,有 9 种不会进入市场。

随着人口老龄化,我们无法依赖这种低成功率、高成本的方式。到 2030 年,世界人口中约有 12% 的人口年龄在 65 岁及以上,像老年痴呆这样的「衰老疾病」将对社会构成越来越大的挑战。

随着人工智能与大量医疗数据结合使用,新药的研发将更加便宜和迅速,同时更加智能化。我所了解的该领域最热门的创业公司之一是 Insilico Medicine,利用人工智能在其端到端的药物管道中,通过对药物的研究,从而讨论未来长寿与健康的秘诀。

案例研究:利用 AI 进行药物探索

你可能已经了解过深度神经网络:人造神经元的多层网络,能够从大量数据中「学习」并且能够为自己做基本的编程。

建立在深度神经网络的基础上,将生成对抗网络(GAN),这是支持 Insilico 药物发现渠道的革命性技术。

什么是 GAN?「GAN 技术本质上是两个深层神经网络之间的敌对博弈,」Alex 解释说。

Alex 的最终目标是开发一个全自动的健康即服务(HaaS)/长寿服务(LaaS)引擎。一旦插入阿里巴巴公司到 Alphabet 公司的服务,这种引擎将为在线用户提供个性化解决方案,帮助他们预防疾病并保持***健康。

Insilico 的端到端管道

首先,Insilico 利用 AI(以 GAN 的形式)来确定目标(如下面的管道的***阶段所示)。为此,Insilico 使用来自健康组织样本和受疾病影响者的基因表达数据。(目标是药物打算作用的特定病理学中涉及的细胞或分子结构。)

仅此一项就可以实现医疗保健和医学研究的突破。但真正作用并不止于此。

在了解衰老过程中潜在的机制和因果关系之后,Insilico 使用 GAN 来「想象」新的分子结构。通过强化学习,Insilico 的系统以***的方式识别目标,然后从头生成自定义分子,从而达到这些特定目标。

在规模上,这也将涉及药物的副作用最小化,这是 Insilico 科学家 Polina Mamoshina 与牛津大学计算心血管团队合作开展的一项研究。

虽然仍处于发展的早期阶段,但准确的临床试验预测指标将使研究人员能够确定理想的临床前候选人。

从今天的情况来看,这是对于行业效率 10 倍的改善。

目前,通过传统技术发现并在小鼠身上测试的超过 90%的分子最终在人类临床试验中失败。准确的临床试验预测结果将导致药物测试成本,时间和开销大大削减。

药物发现

药物发现的数字化和非物质化变革已经发生。机器学习推动药物发现和分子生物学方面产生突破性进展,随着计算能力的提高,将以更低的成本,更惊人的速度向市场推出新的治疗方案,并且不需要大规模的基础设施建设和投资。

除量子计算的预期突破之外,我们将很快见证可预测分子数量的爆炸式增长,同时准确性大幅提升。

总结

人工智能技术的发展将在未来改变医疗行业效率低下、创新迟缓的问题。无论处于何种行业的人,大制药都是一个值得关注的领域。融合技术很快能够在长寿和疾病预防方面取得长足的进步,像 Insilico 这样的创业公司领导着行业变革。

在大规模数据集、不断提升的计算能力、量子计算、区块链及人工智能的等创新因素推动下,人类的健康状况及长寿的未来确实值得期待。

技术将比人类想象力更快的实现商业化,当询问 Alex 对行业的预期时,他的时间安排是二十年。

可能他的预测是保守的。

我的朋友 Ray Kurzweil 经常讨论「长寿逃逸速度」这个概念,即在你活着的每一年,科学都能够延长你的寿命超过一年。

Ray 的预测准确率达到了 86%,「这可能仅仅是大众还需要 10 到 12 年才能达到长寿逃跑速度。」

你将怎样使用生活中额外的 20 年或更多的健康年?

人工智能 机器学习 医疗难题
上一篇:以智能重构企业外呼 讯众通信发布云讯云雀智能语音机器人 下一篇:智能一点发布智能交互推荐系统与售前导购机器人
评论
取消
暂无评论,快去成为第一个评论的人吧

更多资讯推荐

面部识别的利与弊:是福还是祸?

虽然现代技术使面部识别更加精确和安全,但与面部识别隐私问题和监控有关的担忧也在增加。因此,让我们在这篇文章中探讨一下这该技术的利与弊。

Naveen Joshi ·  2021-06-01 16:36:22
人工智能和5G如何结合以实现物联网收入最大化

网络系统通过信令和使用软件以及分析来检测和分类设备非常棘手,并且对有限且日益紧张的网络资源提出了巨大的需求。然而,解决这些问题有一个主要解决方案:采用人工智能、自动化和5G技术。

Jordi Castellvi ·  2021-06-01 13:49:15
MIT团队最新研究,仅靠LiDAR和2D地图实现端到端自动驾驶

最近, MIT 计算机科学与人工智能实验室(CSAIL)团队成功展示了一种基于机器学习的自动驾驶系统,该端到端框架仅使用 LiDAR获取的原始 3D 点云数据和类似于手机上的低分辨率 GPS 地图就能进行自主导航,并且大大提升了鲁棒性。

文龙 ·  2021-06-01 12:47:51
自然语言处理(NLP)的历史及其发展方向

自然语言处理的历史是一个充满曲折的故事。它从徒劳的研究开始,经过多年卓有成效的工作,最后结束于一个我们仍在试图找出该领域极限的时代。今天,让我们来一起探索这一AI科学分支的发展。

佚名 ·  2021-06-01 12:46:26
是福还是祸?人脸识别技术的利与弊

面部识别并不是一项全新的技术,但人工智能和机器学习不断使面部识别变得更好。苹果通过引入具有 3D 扫描功能的面部生物识别系统和 iPhone 的 Face ID,提高了面部识别的标准。

Naveen Joshi ·  2021-06-01 11:11:01
人工智能能否使机器具有流体智力?

麻省理工学院和奥地利研究人员为灵活的人工智能创造了“液体”机器学习。

千家网 ·  2021-06-01 10:38:55
高真实感、全局一致、外观精细,面向模糊目标的NeRF方案出炉

自 NeRF 被提出后,有多项研究对其加以改进。在本篇论文中,上海科技大学的研究者提出了首个将显式不透明监督和卷积机制结合到神经辐射场框架中以实现高质量外观的方案。

Haimin Luo等 ·  2021-06-01 09:57:39
大脑模拟NLP,高德纳奖得主:神经元集合演算用于句子解析

一个简单的大脑模型为人工智能研究提供了新的方向。世界顶尖计算机科学理论学家、哥德尔奖和高德纳奖获得者、哥伦比亚大学计算机科学教授 Christos Papadimitriou 关于「大脑中单词表征」的演讲。

Ben Dickson ·  2021-06-01 09:39:24
Copyright©2005-2021 51CTO.COM 版权所有 未经许可 请勿转载