二、人工智能进行疾病诊断，竞争还是合作？

在整个大的医疗领域，疾病诊断，尤其是医学影像（X射线、超声、MRI 、CT和PET等）是人工智能比较得到认可的方向。

2017年，Arterys公司的影像平台Cardio AI成为FDA批准的首例人工智能辅助诊断工具，用于帮助医生分析心脏核磁共振图像，可自动化描绘图像中的心室轮廓线，并计算心室功能相关参数；随后其Lung AI和Liver AI也陆续获得FDA的批准，用于辅助医生分析肺结节和肝脏损伤。今年2月份，Viz．AI公司的ContaCT也获得FDA批准用于分析大脑CT的扫描图像，用以发现与中风相关的信号（如可疑的大血管堵塞），及时通知医生。

令人振奋的是，近日，FDA批准IDx公司的IDx－DR可独立用于初步筛查糖尿病视网膜病变，判断是否需要医生的进一步评估和诊断。

除了工业界的进展，学术界高水平杂志上人工智能影像相关的工作也屡见不鲜，2016年的JAMA和2018年的Cell都有人工智能在诊断眼科疾病如年龄相关性黄斑变性和糖尿病黄斑水肿的研究报道。简而言之，人工智能对疾病影像的识别有着较高的灵敏度和特异性，速度快和重现性也是人工智能的优势所在，医生群体都开始担心会不会被人工智能抢走工作。

人工智能在医学影像诊断方面的优异表现，其实一点也不意外，本来这一轮的人工智能浪潮的催化剂就是斯坦福大学教授、谷歌云首席科学家李飞飞的ImageNet。源于某些疾病的影像诊断有较为明晰的标识，以及足够的训练集，人工智能在影像数据集上能达到与医生不相上下的正确率。

但现实环境会比文献或诸多人机PK大赛中严格控制的条件要复杂，虽然人工智能通过引入Dropout和DropConnect等算法来减少过度拟合，但数据多样性不足仍会导致人工智能存在偏向性，泛化能力不足，对罕见疾病更是束手无策。

其次，当前的人工智能只能从事指定类型的智能行为，有诸多的适用条件和范围，譬如IDx－DR除了仍然需要专业人员操作眼底照像机获得高质量图像，而且需要在使用之前排除多种不适用状况，如持续性视力丧失、视力模糊、增殖性视网膜病和视网膜静脉阻塞等症状。

再次，遇到某些模棱两可的疾病影像，就常常需要医生在读片时问诊病人及结合病人之前的病历报告来综合判断，这类需要根据医学常识进行逻辑推理判断的任务对人工智能而言似乎并不容易。在威诺格拉德模式挑战（一种代词消歧的自然语言问题，用于区分人工智能是基于常识来理解对话还是基于统计数据的猜测）中，人工智能溃不成军。

最后，所有的人工智能工作只有遵循临床指南，才可能被医生群体所认可，譬如最像医生的IDx－DR擅长视网膜成像的图像解读，在2017年美国糖尿病协会对筛查糖尿病视网膜病变的立场声明中，视网膜成像属于证据分级系统的E级证据，而且FDA也明确表示病人在40和60岁以及有任何视觉问题时，仍然需要全套的眼科检查，更何况人工智能通过多层神经网络的黑匣子给出的结果并不令人放心。

同时医学在不断进步，临床指南也会修改，有可能导致之前训练集的标识需要重新来过。数据标识工作可谓是劳动密集型工种，诸多类似富士康的雇佣大量人员，只是这些数据标识工厂并没有出现在光鲜的新闻上。医药类数据标识由于其专业性强，对标识人员的水平要求更高。

人工智能医学影像肯定是未来的方向，有望广泛进入各大医院作为医生的助手在多种疾病的诊断上提供真正有实用价值的参考性意见。只是目前的人工智能离媒体宣扬的“替代医生”还有很长的路途。

其实如果着力于人眼不可及的领域，也许是另一条可行之路，譬如把疾病诊断简化到分子水平。如果人工智能选择弥补人类缺乏的能力，而不是去和人类竞争，那被接受的概率和速度要大得多、快得多。

我们知道，肿瘤的异质性很强，即使是看起来很相似的肿瘤形态，也可能有着不同的基因变异，此时病理学常无能为力。而且肿瘤的异质性也是导致新药研发缺乏针对性而失败的重要原因。

近期，Nature杂志发表了一篇文章，一百多位科学家联合开发了一套基于中枢神经系统肿瘤DNA甲基化来进行疾病诊断和分类的人工智能，它与标准的诊断方法有可比性，而且更重要的是，因为完全基于不同的角度，这套人工智能还可以发现目前医学指南中未分类的肿瘤类型，为肿瘤的精准治疗和新药开发提供重要信息。

三、人工智能能否颠覆新药研发？

与医学影像诊断相比，新药研发最大的特点在于大家时刻处于没有头绪的状态。如果有药物研发相关的新技术出现，不差钱的大药厂肯定非常乐意一试。不过这些新技术能否为新药研发的成功率带来革命性的提升？

总体来看，很遗憾，基本上是没有；局部来看，某些技术在药物研发的某些阶段的确能够起到重要提速的作用，譬如已进入新药研发多年的高通量筛选和计算机辅助药物分子设计等曾经期待的“颠覆性”技术。

究其原因，新药研发最大的坑是生物。整个药物研发进程，就是在验证某个靶点在人体中的生物学功能的过程。真正需要填充的大坑其实是优质靶点的缺乏，动物模型临床转化差和疾病异质性等。生物系统内在的复杂性，注定这是一个很难解决的问题。所以诸多媒体口中的人工智能无所不能，“提高新药研发成功率，引发制药革命”的赞誉之词得时刻警惕，泡沫破灭时，飞得越高，跌得也越重。

首先，人工智能能否预测一个化合物能成为药物？这个答案很可能是否定的，因为深度学习依赖于高质量、有标识的大数据集。目前只有大概1600个被FDA批准的新药（Nat Rev Drug Discov． 2017；16（1）：19－34），远远谈不上大数据。而类似针对假肥大性肌营养不良（DMD）的药物Eteplirsen等，能否标注其为成功的新药，也需要打个问号。

同时，不计其数倒在路上的化合物，也不能说就没有可能成为新药，如果能够寻找到合适人群和适应症，沧海遗珠也能镶上皇冠。这样看来，我们自己都没有闹明白什么样的化合物算是药物，加分罚分我们都无法给出明确的定义。

与棋类游戏或者影像诊断相比，新药研发规则不明确，数据不明晰甚至含有错误信息，而且充满了高度不确定性，这给以高质量标识数据集为基础的深度学习人工智能带来巨大的挑战。

?药物发现的基本流程，图片来自tdi．ox．ac．uk

其次，人工智能在新药研发的各个阶段表现如何？新药研发是一个系统工程，从靶点的发现与验证，到先导化合物的发现与优化，再到候选化合物的挑选及开发，最后进入到临床研究，可谓是九死一生。

目前，人工智能在新药研发的各个领域也的确是热闹非凡，诸多大型制药公司开始与人工智能初创公司开展合作：阿斯利康与Berg、强生与Benevolent AI、基因泰克与GNS Healthcare、默沙东与Atomwise、武田制药与Numerate、赛诺菲和葛兰素史克与Exscientia、辉瑞与IBM Watson等，各自合作的侧重点也有所不同，但主要集中于靶点的发现与验证包括生物标志物的发现（如何理解疾病）和先导化合物的发现与优化（如何设计药物）这两个领域。

四、人工智能在新机制和新靶点发现上的应用

目前，常见的即利用人工智能分析海量的文献、专利和临床结果，找出潜在的、被忽视的通路、蛋白和机制等与疾病的相关性，从而提出新的可供测试的假说，以期望发现新机制和新靶点。药物靶点对于整个新药研发项目的重要性不言而喻，譬如胆固醇酯转运蛋白（CETP）让多少大佬折戟沉沙、马革裹尸，最后的“武士”——默沙东仍然惨淡谢幕；而PD－1又让多少人欣喜若狂、趋之若鹜，带动着整个生物大分子领域的快速飞升。

当前的新药研发缺乏优质靶点，已经是众人皆知的事实，一旦出现一个获得临床验证的新靶点，叠罗汉式的前仆后继并不鲜见，而在该靶点位于前列的公司估值也是高不可攀。在制药界这般尴尬的境遇下，志在寻找新靶点新机制的人工智能的出现，自然成了茫茫大海中的救生浮木，获得追捧，催生了诸多的生物技术公司。

Berg基于人工智能的Interrogative Biology平台技术通过分析海量病人和正常人样本（如蛋白相互作用网络）来寻找治疗疾病的新靶点和诊断疾病的生物标志物；GNS Healthcare 基于人工智能的REFS技术分析海量的生物医学和医疗保险数据，为患者推荐最合适的治疗手段和药物；IBM Watson新药发现系统通过分析海量文献寻找潜在的关联性来产生新的假说推动新药研发；还有年初刚获得国内领投的美国公司Engine Biosciences，也是利用其人工智能技术来进行老药新用、新靶点开发以及精准医疗等。

但人工智能会比目前优秀的生物学家做得更好吗？