據美國媒體報道，醫療衛生科技市場出現了一些世界上最有創新性的新創公司，這些公司將幫助人們延長壽命和提高生活質量。他們的創新技術主要受軟件和移動性出現的推動，允許衛生部門對原先用筆和紙的操作以及當前減緩提供服務速度的過程進行數字化改造。

最近，軟件變得智能得多而且獨立地發揮作用。這些在人工智能和機器學習旗幟下研究的新功能，正在加快醫療衛生的創新步伐。因此，人工智能（AI）和機器學習（ML）在醫療衛生領域的應用，使行業在這些領域出現一些最大的挑戰：

在完成對每個領域機會的評估時，顯而易見的是風險收益很高。因此，那些首先向市場推出可持續產品差異化和附加值的公司將受益匪淺。

進入新的個人遺傳學時代

AI和ML在遺傳學上的最重大應用是理解DNA對生命的影響。雖然近幾年完成了人類基因組測序和掌握了閱讀及編輯基因組的能力，但人類依然不知道大多數基因組的秘密。在結合其他變量如食品、環境和體型等因素時，基因常常起了不協調的作用。

如果要理解影響生命和生物學的因素，必須首先理解DNA語言。這是ML算法可以發揮作用的地方，也導致谷歌DeepMind和IBM沃森等系統的出現?，F在，在短時間里消化大量數據（如病例、臨床紀錄、診斷圖像、治療計劃）和完成模式識別比以前任何時候都變得更可能，這在以前要花費一生的時間才能完成。

DeepGenomics等企業在這個領域取得重大進步。該公司通過制作預測遺傳變異的分子效應的系統，具有了可翻譯DNA語音的能力。他們的數據庫能解釋數億個能影響遺傳密碼的遺傳變異。一旦有了對人類DNA更好的理解，就有機會更進一步，基于個人特異的生物傾向，提供個性化的見解。

這種趨勢預示了新的“個性化遺傳學”時代的到來，個人將能通過訪問自己身體的空前信息，完全控制自己的健康狀況。消費者遺傳學公司如23andMe和Rthm是這個領域的首批行動者之一。他們開發的消費者化遺傳診斷工具可幫助個人理解他們的基因組合。Rthm用戶能進一步利用基因測試中獲得的見解，實時通過移動應用改變他們日常生活安排。

與任何AI/ML應用一樣，科技必須訪問大量數據以更好管理個人的生活變化。關注掌握個人遺傳學秘密的新創公司正在通過考慮以下關鍵行為這么做，這些行為是日本研究者TakashiKido提出的：第二點感興趣的是，不是所有有關病人生物傾向的遺傳信息都是有作用的。以有益于身心健康的方式控制信息是重要的。

未來在于藥品

另一個令人激動的AI/ML醫療衛生應用是降低藥品研發的成本和時間。研發新藥通常需要12-14年才能上市，平均成本約為260萬美元。

在藥品研發過程中，要針對不同細胞類型、遺傳信息和其他與特定疾病有關的健康狀況的任何可能組合，測試化學成分。這種任務是耗時的，限制了試驗的數量或科學家想攻克的疾病數量。ML算法可允許電腦“學習”如何基于他們原先處理或選擇需要的試驗進行預測。

類似的算法類型也能用于預測特定化合物對人類的副作用，加快藥物審批。舊金山新創公司Atomwise希望在藥品研發過程中用超級電腦取代試管。該公司使用ML和3D神經網絡梳理分子結構數據庫發現治療方法，幫助發現新化合物對疾病的作用，確定現有藥物是否能治療其他疾病。

2015年，該公司應用其解決方案，發現了兩種可能大幅減少埃博拉病毒感染的新藥。分析在一天內完成，而使用傳統藥品開發方法需要數年。最近InsilicoMedicine的研究證實了Atomwise的方法，顯示深度神經網絡可用于預測藥品的藥理特性和藥品轉用途。

波士頓生物制藥公司BergHealth從不同的角度進行藥品研發。Berg使用AI采集病人生物數據確定為什么一些能在疾病中痊愈，然后將這種知識應用到改進當前治療或創造新的治療方法。倫敦的新創公司BenevolentAI希望通過利用AI尋找科學文獻的狀況，加快藥品研發過程。

全球只有小部分科學信息被真正使用或科學家可以使用，因為每30秒鐘就有新的與醫療衛生有關的研究成果出現。BenevolentAI能對大量數據進行分析，給專家提供他們需要迅速加快藥品研發的見解。最近，該公司確定了可能對阿爾茲罕默氏病有作用的兩種化合物，吸引了制藥公司的注意。

隨著ML和AI的進步，未來藥品研發看起來很有希望。最近谷歌研究院的論文指出，使用不同來源的數據可更好確定哪些化合物可用于“有效治療不同季度的藥物”，ML如何在大規模測試數百萬種化合物上節省大量時間。

發現和控制新疾病

多數疾病遠不是只有簡單的基因突變。盡管醫療衛生系統生成了大量（無序）數據——質量不斷提高——但人類以前沒有必要的硬件和軟件進行分析，形成有意義的見解。疾病診斷是復雜的過程，涉及到各種因素，從病人的皮膚紋理到每日吃的糖數量。過去2000年，醫生都是根據病人癥狀來開藥。

但出現可檢測到的癥狀時，治療疾病已經太遲，特別是在治療癌癥和阿爾茲罕默氏病等疾病時。有了ML，可以在出現可檢測癥狀很早前，就能發現微弱的疾病信號，提高了病人的生存幾率和增加了治療選項。舊金山的新創公司Freenome開發了自適應基因組引擎，幫助動態檢測血液中的疾病信號。

為此，該公司使用你的freenome，動態收集你血液中漂浮的基因物質，這些物質可以隨時間不斷改變，從而提供了了解你成長、生活和老去過程的基因組計。在疾病診斷和治療計劃上，Enlitic等公司關注通過將深度學習與醫療數據結合，從數十億臨床案例中提煉可用的見解，提高病人的治療效果。

IBM的沃森與紐約的紀念斯隆-凱特琳癌癥中心合作，消化過去數十年使用的大量癌癥病人數據和治療方法，給治療獨特癌癥病例的醫生提供治療選項。在倫敦，谷歌的DeepMind收集摩非眼科醫院的醫療記錄分析研究的數字掃描數據，幫助醫生更好理解和診斷眼科疾病。

同時，DeepMind也有幫助頭頸癌病人放射治療的項目，給腫瘤醫生釋放幾個小時的規劃時間，使他們能關注更多以病人治療為導向的任務。

意義何在

AI/ML在醫療衛生的應用重塑了該行業，使曾經不可能的事情成為現實。由于AI/ML在醫療衛生的流行，持續訪問相關數據對成功很重要。系統消化的專有數據越多，就會變得越智能。因此，各家公司都盡力獲得數據。例如，IBM在2016年2月以26億美元收購了醫療分析公司TruvenHealth，主要是為了獲得他們數據和見解庫的訪問權。

此外，他們最近與Medtronic合作，通過訪問實時胰島素的數據，進一步提高沃森理解糖尿病的能力。隨著數據越來越豐富，技術越來越先進，機會也會不斷增加，從而激發醫療衛生從業者尋找新方法提高人類健康和生活水平。

更多資訊請關注工業機器人頻道