人類文明在短短數(shù)百年時間里，取得了前所未有的巨大發(fā)展。無論是逆天改命的基因編輯技術(shù)，還是變革社會上上下下的人工智能技術(shù)，都讓我們一度相信：人類可以改變世界，人類可以創(chuàng)造任何想要的未來。
但是，2020年一場突如其來的新冠疫情，不僅給全世界帶來了巨大沖擊和破壞，也讓我們意識到，原來在大自然的未知力量面前，人類有多渺小和脆弱。我們不禁要問，人類科技究竟能否改變世界?AI時代人類如何更強大?下一次大流行病我們能否輕松應(yīng)對?
以下來自北京大學(xué)人民醫(yī)院檢驗科主任、教授、博導(dǎo), 北京大學(xué)醫(yī)學(xué)部檢驗學(xué)系主任王輝;清華大學(xué)計算機系副主任、教授、杰青、IEEE fellow唐杰;西北大學(xué)醫(yī)學(xué)院院長、主任醫(yī)師、博導(dǎo)趙鋼;西安交通大學(xué)電信學(xué)部自動化學(xué)院教授葉凱等學(xué)術(shù)界專家，一起探討“AI是否可以引領(lǐng)傳染病診療的新范式?”并展望未來AI在生物、醫(yī)學(xué)領(lǐng)域的應(yīng)用，展望未來的技術(shù)趨勢。
一、生物學(xué)如何改變世界?
就像在《槍炮、病菌和鋼鐵》一書中所述，微生物又一次改變或者至少調(diào)整了人類社會前進的軌跡。那么，既然微生物在人類健康和社會發(fā)展中這么重要，它們與人類相關(guān)的作用，最直接的比如傳染病、細(xì)菌耐藥性，還有食品發(fā)酵，新能源生產(chǎn)，這些作用能否通過AI進行深入挖掘和預(yù)測?
夏涵首先介紹了基于計算機技術(shù)起家的大名鼎鼎的福泰制藥(Vertex)。作為豪門林立的制藥界的現(xiàn)象級黑馬，福泰制藥以“基于結(jié)構(gòu)設(shè)計藥物”為核心理念，成立僅32年，就從3個人的小團隊迅速崛起為市值超過600億美元、位列世界藥企前30強的巨頭，在制藥界獨領(lǐng)風(fēng)騷。
而就在最近，AI醫(yī)藥研發(fā)平臺星藥科技(Galixir，下稱“星藥”)宣布完成最新兩輪數(shù)千萬美金融資。
夏涵表示，所謂“AI制藥”，就是基于計算化學(xué)、藥物化學(xué)、結(jié)構(gòu)生物學(xué)，可以在藥物靶點發(fā)現(xiàn)、候選化合物的生成、化合物結(jié)構(gòu)優(yōu)化、成藥性及毒性預(yù)測、專利分析等一系列方向利用深度學(xué)習(xí)模型進行嘗試，提高制藥業(yè)的新藥研發(fā)效率。而經(jīng)過這次疫情，人類命運共同體已經(jīng)進入了所謂“后新冠時代”。
AlphaFold預(yù)測的蛋白質(zhì)結(jié)構(gòu)與展示的蛋白質(zhì)結(jié)構(gòu)
二、AlphaFold是什么?價值何在?
近日，谷歌AI團隊DeepMind所研究的 AlphaFold 算法在生物學(xué)領(lǐng)域取得了重要突破：通過蛋白質(zhì)的氨基酸序列高精度地確定其3D結(jié)構(gòu)。
AlphaFold不是簡單的暴力美學(xué)，而是代表了大數(shù)據(jù)走向真正應(yīng)用的趨勢。唐杰認(rèn)為，大數(shù)據(jù)及相關(guān)研究向各個學(xué)科滲透是一個大趨勢，10年前做大數(shù)據(jù)分析可能更多的是做簡單的統(tǒng)計分析，而AlphaFold是一個將大數(shù)據(jù)應(yīng)用于簡單分析到深入分析甚至預(yù)測的轉(zhuǎn)折點，展示了計算機幫助人類探索未知世界的發(fā)展趨勢。沿著這條路走下去，我們可以嘗試驗證各種可能性，朝著預(yù)測的方向做，尋找靶點等一些問題也許會得到解決。計算機算法的發(fā)展速度非?？?，AlphaFold驗證了計算機和AI能幫到人類，相信后期很多計算機學(xué)家會沖上來把計算復(fù)雜度大大降低，讓計算速度成百上千倍地提升，到時候這類東西就能真正幫到大家。
葉凱認(rèn)為，AlphaFold是一個突破性的進展，它有很強的預(yù)測能力。在生物醫(yī)學(xué)領(lǐng)域，研究人員一直試圖從生物醫(yī)學(xué)大數(shù)據(jù)里面理解過去，但其實更重要的是要計算未來，即怎么從已有數(shù)據(jù)里能夠找到規(guī)律，然后用這些學(xué)到的東西去計算未來會發(fā)生什么事情?，F(xiàn)在的AI方法是從大數(shù)據(jù)開始，從開始直接跳到最后的表型，跳過了中間的很多步驟，缺乏一些機理方面的理解。目前的AlphaFold類型的AI能做到的是從開始直接預(yù)測到結(jié)果，但沒有辦法解釋其中的生物學(xué)機理。
王輝認(rèn)為AI確實可以幫助新藥研發(fā)?？股啬退幰呀?jīng)成為一個全球關(guān)注的熱點問題，新研發(fā)的抗生素管線越來越少，研發(fā)出的新藥能夠長時間不耐藥的可能性越來越小 (也有例外情況，如萬古霉素這樣的抗生素到現(xiàn)在還沒有產(chǎn)生耐藥菌)。在這種背景下，首先，現(xiàn)在很多文獻在討論有沒有其他類藥物能夠抵抗現(xiàn)存的耐藥機制，其次，由于測序技術(shù)的發(fā)展，現(xiàn)在很多研究通過基因組、轉(zhuǎn)錄組的數(shù)據(jù)預(yù)測耐藥表型、毒力表型。但無論是耐藥還是藥物研發(fā)，王輝認(rèn)為都需要基礎(chǔ)研究要很強才行。在醫(yī)療AI領(lǐng)域，并不是數(shù)據(jù)量越大越好，數(shù)據(jù)的可用性很重要，所以，在設(shè)計時候要思考到底需要哪些數(shù)據(jù)，這些數(shù)據(jù)對預(yù)測有什么作用等。舉例來說，我們需要知道哪些基因跟耐藥機制有關(guān)，哪些機制在發(fā)揮作用，是不是多個機制在發(fā)揮作用，各個機制的權(quán)重如何，才可以精準(zhǔn)預(yù)測耐藥性。只有我們的認(rèn)知程度到這個階段時，才可以把不同因素通過AI結(jié)合起來，才能很好地去預(yù)測。某些菌的耐藥是比較好預(yù)測的，比如結(jié)核分枝桿菌大多數(shù)是靠突變的而耐藥的，突變可以很容易通過基因組SNP檢測。但革蘭陰性桿菌(大腸桿菌、肺炎克雷伯菌)相對困難。
AI發(fā)源于神經(jīng)科學(xué)的研究，今天常說的“黑箱”用腦科學(xué)是可以進行某種詮釋的，現(xiàn)在越來越逼近這個方向。趙鋼首先對AI的發(fā)展與神經(jīng)科學(xué)的關(guān)系進行了闡釋，并明確表示AI與基因?qū)I(lǐng)傳染病的發(fā)現(xiàn)與診療。就神經(jīng)內(nèi)科而言，神經(jīng)內(nèi)科類疾病的診斷是從經(jīng)驗醫(yī)學(xué)開始的，依靠臨床病人的表現(xiàn)、體征，結(jié)合解剖學(xué)及癥狀學(xué)的知識來診斷，但經(jīng)驗醫(yī)學(xué)并不精確，因此，開始借助影像醫(yī)學(xué)(CT、磁共振)的幫助。為了克服影像醫(yī)學(xué)的局限性，又開始依靠檢驗醫(yī)學(xué)提供的巨大幫助。各類技術(shù)手段使得診斷的準(zhǔn)確率得到了大幅提升，醫(yī)生和病人都獲得了巨大的收益。從原來的經(jīng)驗醫(yī)學(xué)走到了影像醫(yī)學(xué)，再到檢驗醫(yī)學(xué)，再往后走應(yīng)該就是智能醫(yī)學(xué)了。智能醫(yī)學(xué)最后肯定會把疾病的診斷符合率在現(xiàn)有基礎(chǔ)上再次提升。趙鋼負(fù)責(zé)的腦膜炎的輔助診斷決策系統(tǒng)已經(jīng)把診斷符合率提高到80%，而之前200多位醫(yī)生分幾個批的平均診斷符合率僅在40%以上。未來如果讓AI的輔助診斷決策+精準(zhǔn)的檢驗醫(yī)學(xué)+NGS，診斷符合率還會提高。這就是未來智能醫(yī)學(xué)的發(fā)展方向。
三、“望聞問切”在AI時代將會重生?
近年來，AI在藥物設(shè)計、診斷方面已經(jīng)有長足進步，在基因序列分析、自然語言處理、圖像處理、3D構(gòu)象等方向都在引領(lǐng)新的創(chuàng)新點。AI可以通過讀胸片(望)，通過聽咳嗽的聲音(聞)，通過基因測序(切)來輔助醫(yī)療的診斷，難道這就是古中醫(yī)的“望聞問切”在AI時代的重生嗎?
對此，葉凱首先指出事物的觀測結(jié)果、表征、表象是內(nèi)在本質(zhì)的反映。透過現(xiàn)象(身體特征)看到本質(zhì)(健康狀況、可能存在的疾病)是我們與生俱來的、進化出來的一項能力。古代的醫(yī)生也許能夠通過這種外在與內(nèi)在的相關(guān)性對一些疾病進行相應(yīng)的診斷，但由于交通不便、信息傳播困難的原因，知識不能普及。在AI與大數(shù)據(jù)的時代，測量手段非常先進，我們可以從多個維度對病人、疾病、潛在的致病原因進行很好的刻畫。這時候可以用AI的方法，跳過中間的機理、因果相關(guān)性等些規(guī)則，發(fā)現(xiàn)表征與疾病的相關(guān)性。就抗生素耐藥性而言，葉凱首先從進化角度認(rèn)為耐藥性一定會發(fā)生，我們應(yīng)該思考如果用AI發(fā)現(xiàn)耐藥性與各因素的聯(lián)系，把藥物對細(xì)菌或病毒的效果預(yù)測出來。這要求基礎(chǔ)科研工作者掌握藥物起效的機理，要求AI工作者把現(xiàn)象與機理融合在一起，一起把這個耐藥性問題解決。單獨依靠一個方面，可能沒有辦法做的更快、更有效率。
針對葉凱的觀點，唐杰表示AI診斷在未來是很有前景的方向，并列舉了自己與協(xié)和醫(yī)院合作，通過計算機診斷胸片中腫瘤塊是惡性還是良性，已經(jīng)能做到85%左右的精度，基本達到醫(yī)生的診斷水平。根據(jù)人臉識別的發(fā)展速度，唐杰認(rèn)為AI診斷最終將會進入尋常人的生活。再往后看，AI診斷需要大量的數(shù)據(jù)來定義模型，對醫(yī)學(xué)來講這是挺難的，對此，我們是否可以思考能否用個人助手這樣一個東西，讓AI跟人共存，目前，智能手表、智能手環(huán)已經(jīng)開始收集了血氧含量、心跳、運動量、睡眠時間等數(shù)據(jù)，如果每個人上傳自己日常生活中的聲音、影像學(xué)結(jié)果等資料，也許就可以解決數(shù)據(jù)缺乏問題，數(shù)據(jù)的融合+AI算法，也許不僅能幫助普通人，也會輔助醫(yī)生的診斷。
趙鋼認(rèn)為AI時代的望聞問切其實包含兩個層面的問題：(1)AI能干什么;(2)AI是不是能夠像中醫(yī)一樣診斷疾病。并指出這種方法其實是有問題的：無論是中醫(yī)的望聞問切，還是西醫(yī)的“視觸叩聽”，診斷都是癥狀，并沒有診斷疾病，而我們現(xiàn)在需要的是診斷疾病。例如，發(fā)燒是癥狀，而疾病可能是感冒、肺炎、闌尾炎、膽囊炎，不同疾病的治療方法完全不一樣。因此，AI不是古代望聞問切的癥狀學(xué)的診斷，我們現(xiàn)在需要的是病因?qū)W的診斷。把病因?qū)W搞清是一個巨大的進步。
王輝認(rèn)為僅僅用“望聞問切”四個字來總結(jié)現(xiàn)有數(shù)據(jù)收集方法是欠妥的。望聞問切都只是表征方法，而現(xiàn)代檢驗醫(yī)學(xué)會產(chǎn)生大量的指標(biāo)數(shù)據(jù)，這樣大量的數(shù)據(jù)才能支撐疾病的診斷和治療。未來需要檢驗醫(yī)學(xué)、影像學(xué)等很多類的數(shù)據(jù)才能夠支撐AI在診斷、預(yù)防、公共衛(wèi)生事件預(yù)警等方面的應(yīng)用。所有的預(yù)測都要是基于我們對病因?qū)W、病理學(xué)、治療學(xué)等學(xué)科的知識的了解和認(rèn)知才可以實現(xiàn)。AI與醫(yī)療的結(jié)合是一個不斷更新不斷發(fā)展的過程。
四、AI如何助力海量醫(yī)療數(shù)據(jù)的挖掘
從X-Ray到冷凍電鏡再到基因測序，生物數(shù)據(jù)出現(xiàn)了爆炸性增長，如下圖所示。從目前的研究進展來看，我們了解了堿基、基因、基因上下文、基因通路、基因組等各類信息，從某種角度來看，它們之間的關(guān)系和NLP中的字母表、單詞、詞組、語句、文章存在著某種相似性。在這種情況下，能否使用NLP的相關(guān)技術(shù)推動基因分析、研究的進展?
從自然語言的角度來說，唐杰認(rèn)為NLP共有三個層次：(1)人類看語言首先是了解，即把一個篇章分解成段落、句子、主謂賓結(jié)構(gòu)、詞組等。對應(yīng)到基因?qū)W，也許可以用同樣的方法看到基因測序結(jié)果以后理解它到底是什么東西。(2)NLP做了很多事情，如有意義的信息抽取，在生物信息學(xué)中是不是也可以這樣，抽取某些結(jié)構(gòu)對應(yīng)的功能、特征，把這些抽出來以后進行預(yù)測。(3)NLP之前都在研究是什么、為什么?以及哪些最重要?但現(xiàn)在預(yù)訓(xùn)練模型把全世界所有的文章都都放到一個機器里面去，做預(yù)訓(xùn)練，模型變成了一個黑盒子，我們不知道內(nèi)部的具體關(guān)系，但可以用它生成一句話甚至相關(guān)的單詞，未來在生物工程里面也許在也會面臨這樣的一個問題。是不是可以把人的所有的基因測序信息放到一臺大機器里面，產(chǎn)生可以告訴我們什么樣的一個基因結(jié)構(gòu)是更好、更健康的存在。
葉凱老師從基因組的角度進行了分析。一方面，基因組里面字符串非常長，現(xiàn)在對它的理解是：所有跟生命相關(guān)的這些程序性的控制，整個生命周期所有的信息實際上是編碼在基因組里面。這些信息都是一維的序列，不過，這些信息雖然編碼在基因組序列里面，但是它發(fā)揮作用的規(guī)則并不完全在基因組序列里面，還有一些其他的規(guī)則會起作用，因為任何一個基因都和特定的外界的生存環(huán)境密切相關(guān)，基因在不同的階段會和相應(yīng)的一些環(huán)境進行互作。整體來說，一維信息的確存在，的確是編碼在基因組的業(yè)務(wù)信息里面，但里面還是有二維的結(jié)構(gòu)。染色體實際上是有三維結(jié)構(gòu)，但是它被折疊了，折疊之后一些地方會像固體一樣，其他地方會像液體一樣，這里面實際上有很多是物理在里面起作用了，這是非常奇妙的。AI可以學(xué)到一些基本的單元，但是具體怎么樣互作，整個體系怎么內(nèi)部互助以及和環(huán)境互作，以及在不同時間段里面哪些地方打開/關(guān)閉這種程序性的運作的話，現(xiàn)在NLP還不夠，還需要開發(fā)出更加復(fù)雜的一些體系。整個基因組的線性結(jié)構(gòu)的話超出了當(dāng)前AI的水平，很多東西我們還不知道。
另外一方面，如果能把一維的序列學(xué)清楚，是不是能夠人工設(shè)計一些系統(tǒng)?當(dāng)前的合成生物學(xué)、綠色生物制造等相關(guān)的一些國內(nèi)國外的一些專家其實已經(jīng)在這么做了，我們打亂一些簡單酵母的染色體里面的編碼基因，把它重新編寫成一個完全群新的基因組，試著能夠讓酵母能夠生長發(fā)育、完成它的生命周期，實際上是非常了不起的一件事情。但目前合成生物學(xué)只能對比較結(jié)構(gòu)簡單的一些生物進行這種基因組的從頭寫，但對一些結(jié)構(gòu)復(fù)雜的生物里面的元件之間的相互作用、如何精密地調(diào)控還缺乏認(rèn)識，我們甚至還不知道人的基因組里面大量的序列的作用。染色體里面非編碼的這些序列到底怎么發(fā)揮作用、我們怎樣控制它實際上還是非常有挑戰(zhàn)性的，需要前沿的生物技術(shù)和AI同時進行推進。
王輝認(rèn)為生物體是一個非常復(fù)雜的系統(tǒng)，并不僅僅通過基因組來決定，還有很多基因組之外的轉(zhuǎn)錄組、蛋白質(zhì)組、翻譯組的在起作用。類比于癌癥診斷來說，人和人之間的差異非常多，重要的是很難區(qū)分哪些突變是多態(tài)性(比如因為人種、所處地區(qū)等很多因素導(dǎo)致突變的情況不同)、哪些是致病突變，這就導(dǎo)致我們不能很快確定基因與疾病的關(guān)系;類似的，微生物在抗生素壓力下也在不斷進行進化，會有自身的突變、外來DNA物質(zhì)獲取，拷貝數(shù)增加、RNA表達水平差異、蛋白翻譯水平差異等等，這些生物體各個層面的復(fù)雜變化都可能是耐藥表型的決定因素。 趙鋼提到基因組的改變和人類疾病之間的關(guān)系目前還遠遠沒有認(rèn)識到的?，F(xiàn)在最大的問題是這兩個數(shù)據(jù)是分割的，臨床的數(shù)據(jù)在醫(yī)院里頭，基因的數(shù)據(jù)在各類的檢測公司那里，二者沒有對接。接下來我們要把基因組檢測的數(shù)據(jù)和臨床的數(shù)據(jù)對接起來，之后，很多問題就可以找到答案了。
針對各位專家的觀點，唐杰提到自然語言處理中也有打散、重組的過程，在認(rèn)知科學(xué)中這是試錯與探索，其實人類很多新知識就是來自試錯與探索。比如一句話的字詞重新組合以后可以表達新的意思，如果新的組合更準(zhǔn)確，人們可能就會使用新的話;但是如果新的組合會引發(fā)爭議甚至批評，講話者可能就不這么說了。基因可能也有類似的情況，如果復(fù)制一份并打散、重組以后，新的組合更有效，也會被保留下來。
五、AI能否預(yù)防耐藥性灰犀牛，避免傳染疾病的爆發(fā)?
2020年的疫情改變了全世界，在患者治療過程中，現(xiàn)有的檢測其實不滿足醫(yī)生的快速的需求，這樣就導(dǎo)致了醫(yī)生不得已只能用更強力的藥物，而這會產(chǎn)生一定的副作用。在這樣的背景下，AI能否幫助發(fā)現(xiàn)或者預(yù)警這種新的傳染病源，預(yù)防耐藥灰犀牛的產(chǎn)生?
“預(yù)測很困難，預(yù)警有希望?！睂τ谠谀壳暗倪@種體系下，未來10年我們能夠在傳染性疾病里面能夠做哪些工作，王輝認(rèn)為：我們對于感染性疾病的病原學(xué)的認(rèn)知是有限的，尤其是病毒感染的診斷更加困難，不明原因發(fā)熱就是一個例子。就預(yù)警來說，預(yù)警體系需要出現(xiàn)某樣癥候群或者某種數(shù)據(jù)積累到一定程度，這需要足夠的數(shù)據(jù)量，需要流行病學(xué)、微生物學(xué)、病毒學(xué)、傳染病學(xué)等很多數(shù)據(jù)的積累。對于感染性疾病來說，要解決的也是最困難的其實是病原學(xué)的診斷。另一個問題就是一定要快速檢測，只有最快的檢測才能隔離預(yù)防感染性疾病。而AI技術(shù)能不能幫助我們更往前推進，更早發(fā)現(xiàn)傳染趨勢、發(fā)現(xiàn)源頭，這是需要臨床醫(yī)學(xué)專家跟AI的專家們、計算生物學(xué)專家們、大數(shù)據(jù)專家們一起合作，共同攻關(guān)的。
此外，對耐藥性的預(yù)測，國際上也已經(jīng)有幾個團隊在研究，芝加哥大學(xué)在幾年前就開始在做，也陸續(xù)出了一些數(shù)據(jù)，國內(nèi)相對來說起步比較晚。臨床最關(guān)心的問題是，對于某一類的菌，對于臨床最關(guān)心最常用的幾種藥，能不能通過AI技術(shù)預(yù)測表型?我們要有心理準(zhǔn)備，耐藥預(yù)測很困難。目前很多抗生素的靶點不清楚，就是這個藥物作用在微生物里面，它到底通過幾條通路抑制細(xì)菌的繁殖?這是困難、挑戰(zhàn)，但是還是得做，各個領(lǐng)域人才，交叉融合、互相推動。 順著王輝的思路，唐杰認(rèn)為計算機也許可以幫上忙，計算機在未來通過大量的數(shù)據(jù)和算法，也許可以用模型覆蓋更大范圍的感染情況，然后根據(jù)病人的一些參數(shù)快速識別出最有可能的感染源，以及預(yù)測病人有沒有可能發(fā)展為危重病例。深度學(xué)習(xí)近幾年發(fā)展很快，但是因為它的部分內(nèi)容還是黑盒，所以部分醫(yī)學(xué)研究者反對使用它，但其實弄清楚機理、明白為什么和使用它并不沖突，二者是可以同步的，在弄清楚原理的過程中，數(shù)據(jù)也在積累，這時候如果把門診的數(shù)據(jù)和測試的數(shù)據(jù)打通，也許可以通過這個超大的數(shù)據(jù)集訓(xùn)練出一個模型。
趙鋼首先梳理了問題，認(rèn)為預(yù)測包括三個部分：(1)原有疾病的預(yù)測;(3)新疾病的預(yù)測;(3)耐藥的預(yù)測。并重點分析了原有疾病的預(yù)測。原有疾病的預(yù)測包含兩部分內(nèi)容：一是診斷的預(yù)測，在傳統(tǒng)或是基因檢測的病原學(xué)的依據(jù)還沒有出來之前，如果能夠預(yù)測一下診斷結(jié)果，這是非常有意義的;另一個是轉(zhuǎn)歸，從臨床醫(yī)生的角度來講，疾病診斷的預(yù)測是非常重要的。因為在診斷不明確的時候，只能根據(jù)經(jīng)驗全面用藥，如果碰上了，就把病治好了;如果碰不上的話，可能就治療失敗了。目前在這方面已經(jīng)出現(xiàn)了非常好的模型，如沃森的目標(biāo)疾病是腫瘤的預(yù)測、治療轉(zhuǎn)歸的預(yù)測，能告訴醫(yī)生哪個治療方案最好。
在這次新冠的爆發(fā)以后，我們很多地方是使用人工進行收集信息，然后上報。葉凱認(rèn)為，信息學(xué)里面有很多類似的東西，如輿情分析、異常點的檢測等，可以參考這類系統(tǒng)、結(jié)合軟硬件建設(shè)一個在線的檢測體系。這其中有幾個關(guān)鍵點：(1)數(shù)據(jù)的收集、聯(lián)網(wǎng)匯報與匯總;(2)計算機通過在線學(xué)習(xí)以把全國的這些信息進行實時的監(jiān)控，在沒有任何特殊的感染源爆發(fā)的時候，可以每時每刻都在收集數(shù)據(jù)，這樣，一旦出現(xiàn)新類型的疾病時，我們肯定會看到一些異常的現(xiàn)象，把特殊毒株識別出來，對它進行相應(yīng)的一些鑒定，對于耐藥的基因也是可以用同樣的道理給它識別出來。如果把宏基因組、聯(lián)網(wǎng)的體系、在線學(xué)習(xí)的方法結(jié)合在一起，我們是能夠?qū)崿F(xiàn)目的的。
六、細(xì)菌、真菌耐藥性能否通過現(xiàn)有數(shù)據(jù)和AI模型進行預(yù)測?
已有的結(jié)果顯示，很多細(xì)菌均可以通過基因型預(yù)測其表型。而最新的nature communication論文的作者也提出一個觀點：現(xiàn)有的預(yù)測不夠好的主要原因可能是由于表型的記錄不夠細(xì)致。在此背景下，細(xì)菌、真菌的耐藥性能否通過現(xiàn)有數(shù)據(jù)和AI模型進行預(yù)測?
如果通過現(xiàn)在測序的一些技術(shù)拿到了基因組的數(shù)據(jù)，對某些特定的藥物、菌種是能夠做到很好的預(yù)測的，但它是有一定的局限性的，王輝覺得對那些水平基因轉(zhuǎn)移比較少的那些菌預(yù)測準(zhǔn)確度會高一些，但對于革蘭陰性菌陰來講要差一點，因為革蘭陰性菌耐藥機制更復(fù)雜。此外，預(yù)測會涉及非常多的技術(shù)，針對不同的菌群，策略應(yīng)該是不同的。另外，對于疾病發(fā)展風(fēng)險預(yù)測，比如是否發(fā)展為膿毒癥，也有應(yīng)用價值。
“AI還處在一個初步階段，離通用人工智能、強人工智能還有很長的距離。但是整個 AI開始朝通用人工智能和強人工智能在發(fā)展?！碧平苷J(rèn)為解決耐藥性預(yù)測問題需要雙輪驅(qū)動：一是數(shù)據(jù)驅(qū)動，一是知識驅(qū)動。一方面，醫(yī)學(xué)領(lǐng)的數(shù)據(jù)還沒有打通，所以，除了剛才提到的依靠人機共生從生活中獲取數(shù)據(jù)，未來如果能夠打通醫(yī)療的數(shù)據(jù)，也許可以依靠預(yù)訓(xùn)練生成一些模型，幫助醫(yī)生和患者診斷、治療。另一方面，現(xiàn)在的AI還沒有真正走到一個能夠把世界上所有的文本讀完、讀懂了以后比人還聰明，因此需要依靠醫(yī)學(xué)專家把醫(yī)學(xué)相關(guān)的知識建成一個超大規(guī)模的知識庫，把這些知識連起來就可以做推理。這是一個非常有前景的方向。
對于細(xì)菌的耐藥性涉及抗藥的機理，葉凱認(rèn)為我們還沒有完全弄清楚有的藥物為什么發(fā)揮作用，細(xì)菌或病毒產(chǎn)生相應(yīng)的變異之后為什么會耐藥。如果我們有足夠多的相應(yīng)的數(shù)據(jù)(包括不同物種、不同細(xì)菌、不同真菌、不同病毒的耐藥性等的數(shù)據(jù))的話，那么，也許會發(fā)現(xiàn)耐藥的分子基因里面存在共通性，這時，我們只要能在DNA水平測量下來，同時測量其對不同藥物的抗耐藥性的一些屬性，那么，依靠這樣一個多時間點、多菌株的數(shù)據(jù)的話，我們也許就能夠進行耐藥性的預(yù)測。
在弱人工智能時代，趙鋼認(rèn)為應(yīng)該分為兩個層面，一個層面是我們還在知識驅(qū)動的層面，還沒有到這個數(shù)據(jù)驅(qū)動。因為數(shù)據(jù)驅(qū)動需要大數(shù)據(jù)，但現(xiàn)在醫(yī)學(xué)領(lǐng)域真的是沒有大數(shù)據(jù)，只有小數(shù)據(jù)。針對耐藥基因的問題，我們現(xiàn)在連知識驅(qū)動都還達不到，因為僅僅知道少數(shù)幾個細(xì)菌、少數(shù)幾個位點，絕大部分并不知道，我們還得慢慢從知識積累的階段開始，然后逐漸進入知識驅(qū)動的層面。等到醫(yī)學(xué)大數(shù)據(jù)時代到來的時候，我們才能達到數(shù)據(jù)驅(qū)動，我們才能真正做好。
七、AI診療的未來
對于AI診療的未來，王輝提到，不管是疾病的預(yù)測、耐藥菌的預(yù)測還是疾病的診斷和治療方面，是可以有突破的，但我們也必須承認(rèn)我們的知識的水平是在一個不斷循環(huán)往復(fù)的過程里面，永遠有新的我們不知道的東西，我們不知道的永遠比我們知道的要多。把更多的AI專家加入醫(yī)學(xué)團隊里面對疾病的預(yù)防、診斷、治療能夠起到一個推動作用。醫(yī)療能力和AI能力都有一個由弱變強的過程，技術(shù)在不斷進步，在未來5年10年醫(yī)療AI肯定會迎來一個很好的時代。
隨著人機共生時代的到來，唐杰非?？春脗€性化診療的前景，因為它是一個很好的AI+醫(yī)療的場景，個性化診療可以真正把AI在醫(yī)療場景中發(fā)揮作用。除了把醫(yī)療數(shù)據(jù)導(dǎo)入AI中，更重要的是場景落地。
趙鋼希望更多的AI專家能夠加入醫(yī)學(xué)研究的行列，給我們醫(yī)學(xué)插上智能的翅膀。
葉凱認(rèn)為AI和生物醫(yī)學(xué)是跨學(xué)科的合作，面對著很多困難，如不同學(xué)科術(shù)語溝通困難等，但越是不同學(xué)科的人在一起，往往越能夠在思維上進行碰撞，可能觀點不一樣、想法不一樣，但越是這種距離越遠的這些學(xué)科碰在一起的時候，火花也越大。
AI現(xiàn)在已經(jīng)展現(xiàn)出很強大的功能，在蛋白質(zhì)折疊以及相關(guān)的一些領(lǐng)域里面已經(jīng)非常厲害，取得了超越了其他的這種計算方法及人工計算方法的這種成就，但是它實際上還是只能夠計算一些強的關(guān)聯(lián)規(guī)則，能夠進行一些分類，但對因果關(guān)系、時序關(guān)系等還需要一些更好的一些挖掘，同時要把黑盒里面的東西理解出來。希望AI和生物醫(yī)學(xué)能夠手牽著手，把一些關(guān)鍵的生物學(xué)問題把它給解決好，能夠推動人工智能的一些技術(shù)繼續(xù)在往前走。
作為產(chǎn)業(yè)界的代表，夏涵認(rèn)為醫(yī)學(xué)插上智慧的翅膀需要很多試錯，產(chǎn)業(yè)界應(yīng)該給試錯提供機會和支持。
文章來源于AI TIME 論道 ，作者AI Timer-田志遠
（轉(zhuǎn)載）
