尽管生产力是许多行业中人工智能最被认可的好处之一，但对于生命科学领域来说，这只是冰山一角。在其表面之下，还有诸如更安全的药物配方、更快的临床试验招募和先进的再生医学等突破性的能力。为了全面了解人工智能对生命科学的影响，值得看看其价值增长的速度有多快。预计到2024年，这一价值将达到22.5亿美元；但到2032年，这一数字将超过四倍！因此，说生命科学行业正在经历“变革时期”绝对是轻描淡写。每个月似乎都会带来新的AI驱动的医疗保健突破，以至于跟上这些进展可能变得困难。
为了帮助您在这个动态领域中导航，我将讨论生命科学领域的顶级AI趋势，并提到一些研究人员和临床医生成功实施的例子。
医疗和生命科学趋势
我想从生命科学和医疗保健领域的一些最显著趋势开始谈起，首先是研究人员如何利用AI的生成能力。
生成式AI在生命科学行业的主导地位
很难找到一个没有测试过或至少听说过生成式人工智能的人——它正在商业世界中掀起风暴，生命科学和医疗保健也不例外。这一趋势预计将在2024年及以后继续发展。据德勤公司称，超过90%的生物制药和医疗技术领导者意识到生成式AI对行业的影响。事实上，66%的生命科学公司正在使用生成式AI来提升业务运营，包括合规改进和供应链转型。在合规方面，生成式AI自动化了监控和报告流程，确保公司更高效、更少错误地遵守监管标准。在供应链管理中，它使用预测分析来预测需求并优化库存水平，从而实现更高效的物流和分销策略。
跨学科合作激增
跨学科合作伙伴关系的激增是2024年医疗保健趋势之一。过去远非盟友的大型制药公司和数字健康公司现在正携手合作，以改善医疗保健的提供。这一转变看到制药公司越来越多地将数字解决方案整合到其运营中。一个典型的例子是诺和诺德制药公司（全球糖尿病治疗的领导者）与韩国初创公司Kakao Healthcare的合作。他们旨在提供先进的数字健康服务，帮助慢性病患者更好地管理他们的病情。此外，包括吉利德、默克、诺华、拜耳和赛诺菲在内的几家制药巨头于2023年9月成立了数字制药圈（DPC）。DPC的成立旨在鼓励来自制药行业数字健康领域的商业领袖就如何利用数字技术改造生命科学行业进行深入对话。我认为我们正在见证一个积极的变化，伟大的头脑聚集在一起，利用他们的知识和专长使医疗保健更加互联。这是世界长期以来一直在等待的。
人工智能和机器学习正在改变研究
将AI和ML整合到医疗保健研究中是生命科学领域最令人兴奋的趋势之一。事实上，这不仅仅是一个趋势——这是一场正在我们眼前展开的真正革命。借助AI，通常需要数周甚至数月才能手动完成的数据分析现在几乎可以立即完成。由于它可以同时处理数百万甚至数十亿条记录，已经缩短了药物发现、临床试验招募和疾病检测的路径。一个较少被公众关注但非常有前景的领域是AI在测试潜在药物和医疗化合物相互作用的能力。这不仅可以帮助发现可能的健康或生命威胁的组合，还可以指示每种药物组合在疾病和症状治疗中的有效性。所有这一切都可以在计算机模拟中完成，无需将任何人置于风险之中。很容易想象，这种加速药物开发的能力将如何优化研究人员的工作，并最终在未来几年内造福患者。
对数据集成的高需求
人工智能创造的所有新的研究可能性对生命科学部门来说是一种福音。同时，这也对那些在数字化加速方面落后且仍依赖孤立数据的组织发出了警醒。参与竞相将新药或医疗技术推向市场的研究中心必须能够访问所有业务领域的经过验证的数据。或者，在跨组织倡议的情况下，甚至来自多个合作实体的数据。拥有完整数据并使用AI加速产品开发和制造的公司将具备赢得市场的条件。
生命科学领域中的AI应用案例
现在让我们来看看AI在生命科学领域的影响。这份清单可以更长，但在本文中我将只关注生命科学领域的AI应用案例。
加速药物发现和开发
我认为AI在医疗保健领域影响最大的一个领域是药物开发和发现。得益于数据科学、深度学习和机器学习的应用，AI能够快速分析庞大的数据集，从而加速新分子的发现。由于AI算法可以从多个来源（如已发表的科学文献、临床试验数据、公共数据库和会议摘要）同时筛选信息，它可以识别可能适用于特定健康状况的疗法。AI在生命科学领域分析大量数据的速度可以将药物发现和开发的时间从几年缩短到几个月，我认为这是真正的革命。
更高效的制造和供应链管理
生命科学行业在严格的控制和法规下运作，因此另一个值得提及的AI应用案例是提高制造过程的效率。它是如何工作的？制药和生物技术公司可以在其制造设施中使用传感器收集有关制造过程的数据，包括设施状态、机器性能、工艺进展等。一旦收集到信息，就会发送进行分析。借助AI，公司可以生成洞察并识别人类无法看到的模式。例如，检测潜在的质量控制问题或确定工艺瓶颈。此类信息可以帮助企业主动应对问题，适应需求波动等变化，并确保制造过程的顺利运行。
自动化药物流行病学
发现和报告新测试药物的副作用一直是传统药物流行病学过程中的挑战。特别是，如果试验在全球多个诊所或研究中心进行。现在，AI通过从多个来源收集和分析患者数据使这一过程变得更加容易。虽然这是较新的AI应用案例之一，但已有几项研究证实了其在药物安全性研究中的有效性。根据试验范围的不同，它可以利用计算机视觉分析CT扫描或其他视觉数据，使用自然语言处理（NLP）在自报告笔记中发现潜在的不良反应，甚至分析可穿戴设备的数据。如果检测到任何潜在的不良反应，则会触发警报给药物开发团队。他们可以立即采取行动，例如调查问题并防止任何健康或生命威胁的事件。这不仅提高了药物试验的安全性，还可以节省资金。节省多少？济南大学药理学系研究员谢青表示，“仅在美国，估计每年因不良药物反应造成的成本在766亿美元至1520亿美元之间。因此，旨在检测和预防不良药物反应的药物流行病学活动有可能为医疗保健系统节省大量资金。”
更好的临床试验资格审查
手动、正确的患者招募通常需要数月，甚至数年。在某些情况下，试验甚至完全取消。在AI进入生命科学领域之前，多达86%的试验从未启动，因为研究人员无法组建足够数量的合格患者样本。如前所述，AI可以“看”、“听”和“读”数据，并能处理数十亿条记录。药物开发者可以利用它找到符合各种标准的合格候选人——从纯粹的人口统计和之前的医疗治疗到DNA测序数据。这使得临床医生和药物开发者更容易为每个试验阶段筛选患者。这种AI在医疗保健中的应用已经在全世界范围内使用。其中，它帮助选择了儿童白血病治疗试验的患者。
重新构想辅助技术
虽然许多生命科学领域的AI应用案例都集中在数字领域，但人工智能也在重新构想更“有形”的医疗设备。研究人员正在开发一系列硬件，从AI驱动的假肢到脑部和脊髓植入物。这些技术通常依赖于生物信号分析。在我看来，最近的一个重大突破是一名瘫痪男子在手术中安装了两个植入物，一个在大脑，另一个在腹部。其中一个植入物使用AI读取他的大脑思维并检测运动冲动，而另一个植入物则引起肌肉收缩以触发身体运动。鉴于AI的发展速度，我相信我们将看到更多像这样的革命性发展出现在再生医学领域。
成功的AI生命科学项目示例
现在让我们来看一些现实世界中的AI在生命科学领域的应用示例，以及它们如何已经使研究人员和患者受益。
试验路径者
试验路径者是由斯坦福大学的一组学者开发的开源AI框架。它允许生命科学组织访问真实世界的数据，即患者健康记录，并使用这些数据模拟药物试验。研究人员可以使用试验路径者评估药物疗效和生存率，即服用测试药物的患者与接受安慰剂的患者的生存率。近年来，试验路径者的一些知名用途包括对超过61,000名患者进行非小细胞肺癌肿瘤学试验的资格评估。我认为，使该AI框架脱颖而出的是，它不仅用于招募患者本身，还帮助研究人员改进整个生命科学行业对临床试验设计的方法。这使该项目在我关注的项目名单上名列前茅。
Atomwise
Atomwise是一家临床前药物研究公司，利用AI加速新药发现。根据其网站，他们开发的基于神经网络的技术AtomNet®已经帮助识别了比任何其他由AI驱动的药物发现平台更多的“不可药物靶点”。该公司与全球250多家生命科学组织合作，帮助他们为600多种疾病开发新疗法。这些疾病包括癌症、神经系统疾病、心血管疾病以及传染病。公司的长期目标是帮助重塑整个药物发现管道。考虑到投资者和制药行业的广泛兴趣，他们似乎走在正确的道路上。2022年底，赛诺菲签署了一项12亿美元的协议，委托开发和合成仅供该制药巨头使用的新型小分子。
Insilico Medicine
Insilico Medicine是生命科学领域生成式AI的一个绝佳示例。这家生物技术公司利用生成式AI寻找可用于新药的分子并预测其临床表现。该公司已经开发了五种成功的化合物，包括一种可能具有革命性的炎症性肠病（IBD）药物，该药物已于2024年初进入一期临床试验。目前被称为ISM5411的AI设计药物正在76名志愿者中进行安全性测试。如果初步试验成功，Insilico打算在全球设立多个中心，并在多个IBD患者群体中进行研究。假设该药物进入市场，该公司将创造历史。他们将成为第一个推出不依赖免疫抑制的IBD治疗方法的公司，而免疫抑制本身带有显著的健康风险。
生命科学AI中的伦理考虑
生命科学领域的趋势清楚地表明，AI将在行业中发挥重要作用——这是毋庸置疑的。然而，尽管AI在医疗保健领域的潜力巨大，绝对值得进一步探索，但它并非没有挑战，包括伦理考虑。随着我们将人工智能整合到医疗保健中，出现了许多问题，这些问题涉及：
-
数据隐私和安全
-
AI算法偏见
-
维护患者自主权和知情同意
-
医疗保健专业人员责任的变化
-
需要制定法规以确保医疗保健中AI的伦理使用
让我们更详细地探讨一下使用生成式AI在生命科学领域的两个最突出的伦理问题：算法偏见和知情决策。
算法偏见
不幸的是，AI算法并不是无偏见的。事实上，它们可能会放大已经存在于医疗保健中的某些差异，包括种族和社会经济差异。如果用于训练AI的数据存在偏差，例如偏向某个种族，结果将不可避免地存在偏差。后果是什么？这可能导致某些群体获得效果较差或不适当的治疗，整体医疗保健准入可能会受到影响——一些群体将受到青睐，而另一些群体将受到歧视。这显示了在多样化的、经过彻底验证的真实数据集上训练AI的重要性。此外，持续监测和伦理指南也是必要的，以确保AI在医疗软件开发中的公平应用。
知情决策
企业不应假设患者知道他们的数据将如何被AI应用程序使用，也不应期望患者理解共享数据的含义。获得知情同意需要与患者进行清晰简洁的沟通，解释他们的数据将如何使用及其潜在后果。此外，患者还必须随时可以选择退出。患者对数据将如何使用往往有限的理解引发了对数据隐私的担忧。更重要的是，AI的快速发展引入了另一个问题，即知情同意的有效期，这是一个仍需解决的问题。
生成式AI将改变生命科学行业
我意识到上述声明可能显得大胆，但这一变革正在进行中，我们在上面讨论的医疗保健趋势也证实了这一点。生成式AI通过增强疾病诊断、缩短药物开发时间以及实现个性化治疗正在彻底改变生命科学行业——而这仅仅是个开始。随着AI迅速成为医疗保健的更核心部分，找到创新与伦理之间的平衡至关重要。只有这样，我们才能实现最佳的患者结果，并展望一个医疗保健更加普及、高效和精确的未来。
(全文结束)