時間飛逝，轉眼已是2019年了。2018年1月22日，藥明康德AI發表了第一篇文章；不知不覺間，藥明康德AI已經與讀者朋友們一起走過了將近一年的時間。在這一年里，我們一直致力于第一時間為大家帶來人工智能在醫療大健康領域的相關動態和最新進展。在這篇文章中，人工智能和醫療領域里發生了哪些大事，我們將一一進行盤點。
機器學習模型有望提前五年預測白血病
一個由來自全球多家科研機構的白血病專家組成的研究小組使用血液檢測和機器學習技術，來預測健康個體是否有患急性骨髓性白血?。ˋML）的風險，這項研究發表在了《自然》上，有望最多提前五年對白血病進行預測。急性骨髓性白血病（AML）是一種進展迅速、危及生命的血液腫瘤，可以影響所有年齡段的人群。這項研究意味著我們可以提早發現AML的高風險人群并進行監測，同時可以尋找降低該疾病患病幾率的方案。
多款重磅AI醫療產品獲批
2018年有多款數字醫療產品獲批，而其中一些產品具有非常重大的意義。去年4月，美國FDA批準了首款使用人工智能檢測糖尿病患者視網膜病變的醫療設備IDx-DR。IDx-DR由IDx公司開發，是首個獲得市場營銷授權可以提供篩查決策，而無需臨床醫生對圖像或結果進行解讀的醫療設備，這使得通常不參與眼科治療的醫生也能使用該設備。
而在去年8月，美國FDA批準了Aidoc公司基于AI的工作流程優化組合產品，該產品能夠配合放射科醫生的工作，在頭部CT圖像中對急性顱內出血病例進行標記。這也是FDA批準的全球首個利用深度學習技術，協助放射科醫生進行分診工作的產品。
谷歌和DeepMind大放異彩
要是說到人工智能在醫療大健康領域的突破，就不能不提到谷歌及DeepMind。2018年一年的時間里，谷歌和DeepMind公司開發的人工智能取得了多項成就：去年2月，谷歌大腦研究小組（Google Brain team）發現通過AI技術，人眼的視網膜圖像能夠非常準確地預測影響心血管健康的風險因素，包括：年齡、性別、吸煙狀況、收縮壓、不良心血管事件等。
9月，來自紐約大學醫學院的研究人員使用來自谷歌的深度卷積神經網絡Inception v3，開發了一個新的機器學習程序，不僅能夠以97%的準確率確定患者的肺癌類型，甚至還可以識別導致異常細胞生長的變異基因。
上圖為AI模型從癌變組織圖像中識別兩種肺癌類型的示意圖。其中左圖為原始圖像，右圖為AI輸出的肺癌類型圖譜。右圖中的紅色部分為鱗狀細胞癌，藍色部分為非鱗狀細胞癌，灰色部分為正常肺部組織（圖片來源：紐約大學醫學院）
DeepMind作為谷歌旗下專注人工智能研究的公司，更是在這一領域取得了重大突破。去年8月，DeepMind在《Nature Medicine》上發表了一項研究成果，其開發的系統依照光學相干斷層掃描（OCT）數據進行診斷，可以識別50種左右的眼疾，這對驗證人工智能技術的安全性和有效性十分重要。更重要的是，這項研究還解決了人工智能黑箱問題。未來，不管是癌癥、神經疾病還是視力問題，這項成果都能讓病人們得到更好的治療。
除此之外，DeepMind在去年12月初推出的生物界“AlphaGo”更是讓人眼前一亮：這個名為AlphaFold的全新系統能夠預測并生成蛋白質的3D結構，并在早些時候舉行的國際蛋白質結構預測競賽（CASP）上擊敗了所有的人類參會選手。在比賽中，AlphaFold在98名參賽者中名列榜首，預測了43種蛋白質中的25種最準確結構，而同一類別的第二名參賽隊伍只預測出了43種中的3種。
圖中綠色為蛋白質的真實結構，藍色為AlphaFold預測得出的結構（圖片來源：DeepMind blog）
新型AI算法探秘藥物晶體結構，比傳統方法提速一萬倍
11月，來自瑞士洛桑聯邦理工學院（EPFL）的科學家們建立了一個名為ShiftML的機器學習程序，用來預測分子中的原子在磁場中的移動狀況。即使對于相對簡單的分子，ShiftML的計算速度也比現有的方法快了將近1萬倍。這項研究表明，AI可以幫助化學家們用比傳統建模方法更快的方式，來破解晶體的分子結構。
“化學AlphaGo”誕生，可將合成路線設計速度提高30倍
去年3月，來自上海大學的Mark Waller教授團隊應用深層神經網絡及人工智能算法，成功地規劃了新的化學合成路線。研究結果表明，這種新型的算法在單個分子限制時間為5秒鐘的情況下，能夠對測試集中80%的分子合成路線進行預測。當單個分子用時限制延長至60秒時，新型算法預測分子合成路線的比例達到了92%。這一結果比傳統的計算機輔助合成路線設計加快了近30倍。
即便是權威的合成化學家，也無法區分這款軟件與人類化學家之間的區別。這是人工智能在化學合成領域的重大突破，Mark Waller教授也被諸多媒體譽為“化學AlphaGo”的先驅。
CRISPR的最大短板之一，AI竟能幾乎完美解決？
近幾年出現的基因編輯工具CRISPR-Cas9為研究者提供了定點編輯基因組的能力。CRISPR能根據用戶設計的向導RNA（gRNA），在基因組中找到精確位置誘導DNA雙鏈斷裂。它比以往的基因編輯工具更方便和便宜，因而得到廣泛使用。
去年11月份，美國麻省理工和哈佛大學的研究者開發出了一種計算模型，可以通過機器學習來提升CRISPR-Cas9的效果，對致病基因變異實現精準且可預測的編輯。這項成果為遺傳疾病的研究和潛在療法提供了新的可能性。