人工智能技术在生物医药领域的深度应用

人工智能+生物医药”（Artificial Intelligence+Biomedicine），是指企业和研究机构通过将人工智能（Artificial Intelligence，AI）与生物医药结合以实现生物医药领域的创新突破。1月，知名研究机构麦肯锡发布题为《生成式人工智能在生物医药行业的应用：从宣传炒作走向现实》（Generative AI in the pharmaceutical industry: Moving from hype to reality）的报告，提出生命科学领域潜在的gen AI革命将对人类健康和福祉产生巨大影响，如加速药物研发过程，促进精准医疗等。当前，“人工智能+生物医药”在生物医药的诸多子领域都有所应用，如新药开发、酶及蛋白质设计、医学图像分析、疾病预测、疾病预防、智能诊断、精准医疗等，并有望广泛重塑生物医药研究和产业现状。

2024年1月4日，来自上海交通大学医学院附属第六人民医院、上海市糖尿病重点实验室等团队的研究人员在Nature Medicine上发表题为A deep learning system for predicting time to progression of diabetic retinopathy的科研成果。研究团队开发并验证了一种深度学习系统（DeepDR Plus），仅通过眼底图像即可预测5年内糖尿病视网膜病变 （DR） 进展的时间。首先使用来自179327名糖尿病参与者的717308张眼底图像来预训练系统，随后使用多种族数据集训练和验证该系统，该数据集包含来自29868名糖尿病参与者的118868张图像。为了预测DR进展的时间，该系统实现了0.754-0.846的一致性指数和 0.153-0.241的整合Brier评分，最长5年。此外，研究团队还在真实世界的糖尿病参与者队列中对该系统进行验证。总而言之，DeepDR Plus系统可以预测5年内个体化的风险和DR进展时间，从而可能实现个性化的筛查间隔。

2024年1月24日，来自中国医学科学院/北京协和医学院药物研究所的研究人员在Journal of Chemical Information and Modeling上发表文章，题为AutoMolDesigner for Antibiotic Discovery: An AI-Based Open-Source Software for Automated Design of Small-Molecule Antibiotics。研究人员利用AI前沿技术（深度生成模型与自动机器学习）发展了一款可在PC机运行、无需编程的自动药物分子设计软件AutoMolDesigner，实现了全新分子设计和虚拟分子筛选的一体化。与现有的AI分子生成模型和分子活性/性质预测模型相比，AutoMolDesigner具有显著优势。该软件具有图形用户界面（图1），并提供了多种预训练的小分子抗菌药物发现模型，可以满足药物科学家对于自动化抗菌药物分子设计的需求。

图 1 单机版AutoMolDesigner图形交互界面

2024年1月24日，斯坦福研究人员发表论文，题为CheXagent: Towards a Foundation Model for Chest X-Ray Interpretation。论文设计并介绍了CheXinstruct数据集、CheXagent视觉语言模型和CheXbench基准测试框架，用最新的视觉语言基础模型来实现自动化的胸部X光片解读。经过广泛的定量评估和定性评估，以及与业内专家的讨论，结果表明CheXagent在CheXbench任务上优于以前开发的通用和医学领域的模型。此外，研究人员还进行了公平性评估，以强调性别、种族和年龄等因素可能导致的性能差异。

2023年11月20日，Nature Medicine发表的研究成果显示，阿里达摩院联合上海市胰腺疾病研究所、浙江大学医学院附属第一医院、中国医科大学附属盛京医院、复旦大学附属肿瘤医院、布拉格查理大学第一附属医院、上海交通大学医学院附属新华医院、约翰霍普金斯大学等机构首次实现以“平扫CT+AI”进行大规模的胰腺癌早期筛查。针对胰腺癌变位置隐匿、在平扫CT图像中无明显表征等特点，研究团队构建了一个独特的深度学习框架，最终训练为胰腺癌早期检测模型PANDA：一是通过构建分割网络（U-Net）来定位胰腺，二是采用多任务网络（CNN）来检测异常情况，三是采用双通道Transformer来分类并识别胰腺病变的类型。该技术利用AI放大并识别平扫CT图像中那些肉眼难以识别的细微的病理特征，实现高效、安全的早期胰腺癌检测，并克服了过往筛查手段假阳性偏高的技术难题。

事实上，“人工智能+生物医药”这一实践能够从生物医药产业上游到下游投入使用，并且部分应用场景已经能够为企业带来实际收益。未来，我们将看到更多AI应用于生物医药产业链中各环节的案例，通过AI的应用来进一步增强生物医药相关单位的产业竞争优势。

参考文献：

[1] McKinsey & Company.Generative AI in the pharmaceutical industry: Moving from hype to reality[EB/OL].[2024-1-9].https://www.mckinsey.com/industries/life-sciences/our-insights/generative-ai-in-the-pharmaceutical-industry-moving-from-hype-to-reality#/.

[2] Dai L, Sheng B, Chen T, et al. A deep learning system for predicting time to progression of diabetic retinopathy[J]. Nature Medicine, 2024: 1-11.

[3] Shen T, Guo J, Han Z, et al. AutoMolDesigner for Antibiotic Discovery: An AI-based Open-source Software for Automated Design of Small-molecule Antibiotics[J]. Journal of Chemical Information and Modeling, 2023.

[4] Chen Z, Varma M, Delbrouck J B, et al. CheXagent: Towards a Foundation Model for Chest X-Ray Interpretation[J]. arXiv preprint arXiv:2401.12208, 2024.

[5] Cao K, Xia Y, Yao J, et al. Large-scale pancreatic cancer detection via non-contrast CT and deep learning[J]. Nature medicine, 2023: 1-11.