高盛人工智能生態(tài)報告

高盛人工智能生態(tài)報告近年來，機器學習(MachineLearning,ML)和深度學習(DeepLearning,DL)的應用領域極速擴張，而數(shù)據(jù)、更快的硬件、更好的算法那么是推動人工智能的進展的三大基石。下文中，動脈網為您節(jié)選了報告中關于人工智能對醫(yī)療領域的影響,帶您一窺未來醫(yī)療的開展方向。報告指出,到2025年,醫(yī)療年均本錢預計可節(jié)約540億美元。機器學習在醫(yī)療領域中有廣泛的應用前景。醫(yī)療行業(yè)需要豐富且定義明確數(shù)據(jù)集,也需要隨時隨地對患者進展監(jiān)視,而醫(yī)療結果也存在著極大的可變性。機器學習可為其中不少的子行業(yè)提供獲得高額回報的潛力,如藥物發(fā)現(xiàn)、測試分析、治療優(yōu)化和患者監(jiān)護等。隨著人工智能和機器學習的不斷整合,人們將有望在新藥研發(fā)的過程中顯著地實現(xiàn)“去風險”,不但將節(jié)約每年約260億美元的研發(fā)本錢,同時還將提高全球醫(yī)療信息領域的效率,節(jié)約的本錢價值超過每年280億美元。機遇何在?藥物發(fā)現(xiàn)與開發(fā)。在藥物開發(fā)過程中結合機器學習,有著提升開發(fā)效率的潛力。機器學習不但可以加速時間范圍,還可以提高到達后期試驗階段藥物的成功概率(probabilityofsuess,POS)。MedicxiVentures的合伙人DavidGrainger認為，錯誤發(fā)現(xiàn)率(FalseDiscoveryRate，F(xiàn)DR)是一個統(tǒng)計學現(xiàn)象，而防止FDR那么有可能將后期試驗階段的風險減半。此外,在藥物發(fā)現(xiàn)的早期階段中,現(xiàn)有虛擬篩選的方法名為“高通量篩選”，而它非常容易受到FDR的影響。如果可以將第3階段試驗的風險減半,就可以為大型制藥公司節(jié)約數(shù)十億美元的本錢，影響其超過900億美元的研發(fā)經費并帶來有意義的回報，使其能夠騰出資源集中于尋找更有潛力的時機。備注：虛擬篩選(virtualscreening,VS)也稱計算機篩選，即在進展生物活性篩選之前，利用計算機上的分子對接軟件模擬目標靶點與候選藥物之間的相互作用,計算兩者之間的親和力大小,以降低實際篩選化合物數(shù)目,同時提高先導化合物發(fā)現(xiàn)效率。雖然與后期試驗相關的巨額費用往往側重于臨床試驗的設計元素，但我們認為，將AI/ML應用于優(yōu)化后期階段在選擇標準、規(guī)模和研究長度等方面的決策,也可以實現(xiàn)有意義的效率提高。醫(yī)生/醫(yī)院的效率。由于監(jiān)管和分裂等原因,美國醫(yī)療體系在歷史上對新技術的采用一直十分緩慢。除了需要應對系統(tǒng)的挑戰(zhàn),從藥物發(fā)現(xiàn)到醫(yī)生和診所將新藥應用于醫(yī)療實踐之間的過程往往十分漫長且沒有連續(xù)性。美國市場研究咨詢機構透明市場研究(TransparencyMarketResearch)公司的數(shù)據(jù)顯示，美國政府最近的一系列納入《美國復蘇與再投資法案》的法令,已經推動了諸如電子安康記錄等領域的快速增長，全球市場預計將在2023年到達約300億美元。數(shù)據(jù)的聚合，不斷改進的數(shù)據(jù)捕獲技術，以及獨立醫(yī)院的不斷減少等，已經為數(shù)據(jù)的大規(guī)模利用創(chuàng)造了一個前所未有的機遇。這一切也將提高機器學習算法和人工智能的各項功能，以在醫(yī)療領域的各個方面改善速度、降低本錢和提高精度?？偛吭O在倫敦的谷歌DeepMind正與英國國民安康效勞(NationalHealthService，NHS)合作開發(fā)一款旨在監(jiān)測腎臟疾病患者的APP，以及一個前身名為“患者搶救”、旨在支持診斷決策的平臺。任何AI/ML系統(tǒng)的關鍵都是海量的數(shù)據(jù)，因此DeepMind和NHS達成了一個數(shù)據(jù)共享協(xié)議，NHS將為DeepMind提供動態(tài)的新數(shù)據(jù)流和歷史數(shù)據(jù)，以用于訓練DeepMind的算法。只有有了海量的數(shù)據(jù)，才有可能對臨床數(shù)據(jù)進展實時分析。當然，如果DeepMind可以隨時有效獲取患者數(shù)據(jù)，它所能提供的見解將遠遠超出腎臟疾病的范圍。痛點何在?藥物發(fā)現(xiàn)與開發(fā)。醫(yī)療領域的重要痛點之一，是藥物發(fā)現(xiàn)與開發(fā)的時間和本錢。根據(jù)塔夫特藥物開展研究中心(TuftsCenterforthestudyofDrugDevelopment)的數(shù)據(jù)，一款新藥的面市從藥物發(fā)現(xiàn)到獲得FDA批準平均大約需要97個月。雖然對專業(yè)技術的持續(xù)聚焦可以幫助改善時間跨度，但新藥研發(fā)的本錢卻仍在持續(xù)增加。德勤的數(shù)據(jù)顯示，自xx年以來，12家主要制藥公司的獲批藥物開發(fā)本錢已經增加了33%，至約每年16億美元。研發(fā)回報。生物制藥研發(fā)的生產力至今仍然是一個充滿爭議性的話題。開發(fā)一款成功藥物的本錢持續(xù)增加，但由于報銷制度中的不利因素、患者量的降低和企業(yè)間的競爭等，新藥研發(fā)的收入回報環(huán)境也不容樂觀。雖然我們預計xx-202X年的研發(fā)回報相對與2000-xx年會有所提高，但實際上二者之間的變化微缺乏道。此外，影響研發(fā)回報最重要的不利因素之一在于那些失敗的研發(fā)產品，特別是那些已經到達后期試驗階段的藥物;這些藥物的本錢每年估計就占到了400億美元以上。醫(yī)生/醫(yī)院的效率。醫(yī)療領域的一項特別挑戰(zhàn)，依然是醫(yī)生的醫(yī)療實踐明顯滯后于新藥和新治療方法的獲批。因此，許多醫(yī)療領域的機器學習和人工智能專家正不斷鼓勵主要的醫(yī)療效勞供應商，讓在其工作流程中融入現(xiàn)代的機器學習工具，以使其充分利用收集到的和已發(fā)表的海量醫(yī)療數(shù)據(jù)存儲。機器學習和人工智能可有望降低藥物發(fā)現(xiàn)和醫(yī)療實踐之間的時間差;與此同時，它們還能對治療進展優(yōu)化。例如，從北美放射學會XX年對肝膽放射的研究可見，23%的第二意見會改變診斷結論，而這也是專注于醫(yī)學影像的機器學習公司有望能解決的領域。此外，那些致力于利用機器學習在基因組層面進展疾病判斷的公司，例如DeepGenomics等，正幫助供應商準確定位，以提供更有效和更有針對性的治療。目前開展新藥研發(fā)業(yè)務的通行方法為何?目前，藥物發(fā)現(xiàn)和開發(fā)業(yè)務是一個極為漫長的研究、測試和審批過程，持續(xù)的時間可達10年以上。據(jù)塔夫特藥物開展研究中心報道，一款藥物從第一階段推進到通過FDA審批，平均需要花費96.8個月的時間。新型治療方法的研發(fā)之所以是一個獨特的挑戰(zhàn)，不僅是因為它所需要的漫長時間，而且還由于整個開發(fā)過程中各個階段的POS都十分低。藥物發(fā)現(xiàn)始于最初的目標確定。一旦確定目標后，人們通常利用高通量篩選(HTS)來“命中發(fā)現(xiàn)”。HTS本錢十分昂貴，它由機器人自動完成，通過在同一時間進展數(shù)以百萬計的試驗，找出最有潛力到達目標的化合物，提高藥物發(fā)現(xiàn)的“命中”幾率?！懊小钡慕Y果經過優(yōu)化成為導引化合物，然后再進一步深入優(yōu)化，為進入臨床前藥物開發(fā)過程做好準備。當一款藥物在進入第一階段之前，這整個過程下來通常就需要1-3年，而它的POS卻僅僅為20%。第一階段：重點為平安性;安康的志愿者(POS20%)。第二階段：重點為有效性；有某種疾病或安康狀況的志愿者(POS40%)。第三階段：進一步收集不同人群有關平安性和有效性、劑量和藥物聯(lián)用等的信息。志愿者數(shù)量為幾百到數(shù)千名(POS60%)AI/ML如何起作用？在醫(yī)療領域，完美利用機器學習和AI優(yōu)勢的案例范圍很廣。在那些案例中，決策和/或預測不是由人的理解或直覺，而是由數(shù)據(jù)、且是由那些遠遠超出人類能力范疇的各種影響因素考量而驅動的。深度學習更是展示了其獨特的潛力，因為它可以利用在不同任務中學到的知識，來提高在其他任務中的績效。減少發(fā)現(xiàn)失敗，增大POS。人們將大量資本投入宏大的時機本錢中，來探索、研究新的治療方法，而在這一過程中，能到達第一階段試驗的成功概率(POS)大約只有20%。因此，迄今為止，學者們已經紛紛倡導利用AI/ML開發(fā)有效和準確的虛擬篩選方法，以取代昂貴且耗時的高通量篩選過程。最近，谷歌和斯坦福的研究人員正致力于利用深度學習開發(fā)虛擬篩選技術，以取代或增強傳統(tǒng)的高通量篩選(HTS)過程，并提高篩選的速度和成功率。通過應用深度學習，研究人員能夠實現(xiàn)跨越多個靶點的眾多實驗的信息共享。正如BharathRamsundar等在其一篇機器學習相關的論文中所稱：“我們的實驗說明，深層神經網絡優(yōu)于所有其他方法……尤其在于，深層神經網絡大大超越了所有現(xiàn)有的商業(yè)解決方案。在許多靶點上，它都實現(xiàn)了接近完美的預測質量，使其尤其適合被用作虛擬篩選裝置。總之，深度學習提供了建立虛擬篩選并將其作為藥物設計管道中標準步驟的時機?！?MassivelyMultitaskNetworksforDrugDiscovery，xx/2/6)xx年，默克公司主持了一項由數(shù)據(jù)科學公司Kaggle發(fā)起的旨在確定虛擬篩選統(tǒng)計技術的挑戰(zhàn)?，F(xiàn)在，Kaggle已經開始測試深度學習和AI的應用，并與AI藥物發(fā)現(xiàn)初創(chuàng)公司Atomwise開展合作。Atomwise最近利用AI技術，在不到一天的時間內對現(xiàn)有的7000多種藥物進展了分析測試，為尋找埃博拉病毒治療方案做出了奉獻。根據(jù)該公司的統(tǒng)計，如果利用傳統(tǒng)方法，這項分析需要花費數(shù)月甚至數(shù)年才能完成。提高醫(yī)生/醫(yī)院效率。在改善診斷(Enlitic,DeepMindHealth)、分析放射學結果(ZebraMedicalVision,BayLabs)、基因組醫(yī)學(DeepGenomics)等領域，甚至利用AI治療抑郁癥、焦慮和PTSD(Ginger.io)等方面，我們已經看到了應用機器學習的一些早期成功范例。由于醫(yī)療數(shù)據(jù)數(shù)字化和數(shù)據(jù)聚合的不斷開展,醫(yī)療數(shù)據(jù)將變得更易于訪問。這使得AI/ML不僅可以削減與過程任務相關的本錢,而且還可以利用算法使得過去不相交的數(shù)據(jù)集互通,以改善醫(yī)療護理本身。最終，由于AI/ML能夠做出超出人類能力的因素考量,使得其可以幫助供應商以更高的效率進展診斷和治療。量化機遇藥物發(fā)現(xiàn)失敗的本錢。根據(jù)我們的分析，通過實施機器學習和人工智能，在以下情況人們有望將藥物開發(fā)與發(fā)現(xiàn)的相關風險減半：?獲批藥物的平均年度開發(fā)本錢為16億美元，其中包括與失敗藥物相關的本錢(德勤)。?失敗藥物的年度本錢為300億美元，這筆資金完全可以平均分配給獲批的藥物群（德勤）。xx年，F(xiàn)DA報告了60種獲批藥物。這意味著算上失敗藥物的研發(fā)本錢，該年度每種獲批藥物的的本錢約為6.98億美元，其中就有將近420億美元用在了失敗藥物上。我們認為，機器學習和人工智能可以將新藥研發(fā)過程中的風險減半：到2025年，全球制藥行業(yè)每年即可節(jié)省約260億美元。加速獲得轉型至電子安康記錄的收益。當前，僅在美國一地，醫(yī)療信息技術人員的年度薪酬就已到達約70億美元。根據(jù)BLS的數(shù)據(jù)，由于人口老齡化及政府向數(shù)字化轉型需求的推動，預計在xx-2024年，醫(yī)療信息技術人員的就業(yè)前景將實現(xiàn)大幅度提高：相較其他所有職業(yè)7%的增長率，此類職業(yè)的增長將到達令人咋舌的15%，遠遠高于平均水平。然而，考慮到這項職業(yè)中的許多工作任務很容易被自動化和軟件等替代，我們認為機器學習和AI有可能將取代幾乎所有這類工作。BLS認為，醫(yī)療信息技術人員的任務是確保用于報銷和/或研究的患者醫(yī)療數(shù)據(jù)的質量、準確性、可訪問性和平安性，同時利用技術分析患者數(shù)據(jù)，以提高醫(yī)護質量和控制本錢。醫(yī)療行業(yè)中AI/ML日益廣泛的應用，可能會對這類職業(yè)產生嚴重影響。根據(jù)人均醫(yī)療支出和全球支出份額估計，AI/ML有望在2025年在全球范圍內削減超過280億美元的年度本錢。誰會被擾亂?綜上所述，機器學習和人工智能可以節(jié)約藥物發(fā)現(xiàn)與開發(fā)的本錢，提升POS，為供應商和醫(yī)療設施的效率增益，因此，它們有潛力大幅度地改變大型制藥公司以及整個醫(yī)療系統(tǒng)的前景。我們有理由相信，從長遠來看，機器學習和人工智能技術必將激增，縮短研發(fā)時間，降低失敗藥物的損失，并使得藥物開發(fā)中的競爭加劇。此外，效率增益和自動化可能會對一些醫(yī)療專業(yè)人員和公司造成一定的，特別是在解釋醫(yī)療結果和診斷的人士與實際交付護理或執(zhí)行手術的人士之間，例如放射科醫(yī)生、提供第二意見的專家以及行政或支持人員等。我們認為這種將會長期存在，因為現(xiàn)在許多技術仍處于早期開發(fā)階段，并且采用這些技術的本錢相對于其他改進機制可能稍顯過高。采用的挑戰(zhàn)雖然AI/ML在醫(yī)療領域的許多子領域均存在明顯的機遇，但技術采用的障礙仍然存在。本錢。實施AI/ML需要配備必要工具和能力，但它們的本錢可能十分昂貴。特別是在醫(yī)療行業(yè)中，醫(yī)療本錢仍然是群眾關注的焦點。為了確保ML算法能很好地利用數(shù)據(jù)，人們需要有意義資本和專門技術，而光是確保擁有足夠的計算能力，就將花費不菲的金錢。可解釋性。算法需要梳理多個數(shù)據(jù)集，而這往往會生成一些黑盒。以前一直受到嚴格監(jiān)管的醫(yī)療行業(yè)有可能因此