Использовать ИИ или не использовать ИИ больше не вопрос — глядя на быстрый прогресс в развитии и инновации вокруг ИИ — кажется, что ИИ изменит и изменит способ работы отрасли здравоохранения и наук о жизни (HLS). Давайте посмотрим, как развивается использование ИИ в пространстве HLS — начиная с проблем с данными и инициатив, заканчивая моментальным снимком использования в бизнесе и, наконец, некоторыми текущими усилиями по созданию благоприятной экосистемы.

Аспект данных:

ИИ использует данные из реального мира, клинической, генетической, исследовательской литературы и т. д. Ежедневно генерируется огромное количество данных — данных всех размеров, форматов, определений… и в этом заключается проблема. ИИ нужны качественные данные, стандартизированные данные. Кроме того, существует необходимость в клинической маркировке и аннотации данных, чтобы можно было создать эффективный набор тестовых данных. В настоящее время большое внимание уделяется стандартизации и совместимости данных по всему миру со стороны как государственных, так и частных организаций.

В США у ONC есть 10-летняя дорожная карта совместимости. Китай активно поощряет Alibaba и Tencent, среди прочих, создавать хранилище медицинских данных для ИИ. Национальный институт здравоохранения США выпустил DeepLesion — набор данных из 32 000 КТ-изображений, аннотированных радиологами с клиническими данными для исследования ИИ в области обнаружения поражений.

Стартапы, научно-исследовательские институты, компании, занимающиеся медико-биологическими науками, и т. д. формируют партнерские отношения, чтобы эффективно использовать свои источники данных. Они пытаются использовать геномные данные, данные испытаний, электронные медицинские карты, другие общедоступные данные и т. д., чтобы сформировать благоприятную среду для ИИ. Verge Genomics, Datavant, Global Genomics group, 23andMe — вот несколько примеров компаний, которые концентрируют усилия в этой области.

Деловой аспект:

Давайте теперь посмотрим на некоторые области в пространстве HLS — потенциальное использование и выполняемую там работу.

НИОКР и клинические испытания -

ИИ позиционируется как медицинское устройство, используемое при разработке лекарств и предсказании фармацевтических свойств молекул, а также помогает в исследовании новых продуктов. Регулирующие органы, такие как FDA, уделяют повышенное внимание концепции «программное обеспечение как медицинское устройство» и создают для нее обновленную нормативную базу. FDA одобрило несколько таких устройств, например. IDx-DR, который выявляет пациентов с более чем легкой диабетической ретинопатией в 87,4% случаев; Viz.ai для прогнозирования возможных инсультов по данным компьютерной томографии; EchoMD AutoEF от Bay Labs для анализа ЭКГ и т. д.

ИИ также помогает в исследовании новых продуктов. Он может читать, понимать и анализировать данные реального мира, включая научную литературу, для выявления пробелов в лечении и диагностике, сходства между заболеваниями и может привести к лучшему пониманию лечения и механизма заболевания, которые могут быть невидимы для исследователя.

Технологии машинного обучения используются для прогнозирования результатов клинических испытаний. В исследовании, проведенном исследователями из Массачусетского технологического института и опубликованном в Harvard Data Science Review, исследователи проанализировали различные аспекты испытаний, такие как статус, продолжительность, результаты, послужной список спонсоров и т. д., чтобы предсказать возможность перехода испытания от фазы 2 и 3 к утверждению. и встретить с разумным успехом. Этот анализ поможет в оценке факторов риска исследования и обеспечит дополнительную прозрачность.

В большинстве испытаний не соблюдаются сроки регистрации пациентов. Таким образом, правильный выбор места и набор пациентов — это еще одна проблема, которую ИИ пытается решить, особенно в терапевтических областях с нишевыми требованиями к местам и пациентам.

Речь идет не только об AI/ML, но и о глубоком обучении. Благодаря глубокому обучению, в том числе генеративно-состязательным сетям и обучению с подкреплением, искусственный интеллект смог внести свой вклад в области, которые ранее не рассматривались, включая распознавание образов, поиск и классификацию, создание изображений из описаний или изображений с низким разрешением. , поиск изображений на основе контента и т. д. Часто, если область исследования является новой, а доступность набора тестовых данных ограничена, можно использовать нейронные сети с расширенной памятью DL, дополняя тестовые данные вспомогательными данными, например заимствование определенных частей/функций изображения, которые не являются частью тестовых данных.

Глубокое обучение успешно используется в анализе биологических изображений, что позволяет ученым изучать фенотипы и характеристики субъектов на общем уровне или на клеточном/субклеточном уровне, что помогает более глубокому изучению механизмов действия лекарств. DL помогает в сегментации и подтипировании клеток, а также помогает в традиционных трудоемких задачах, таких как отслеживание клеток и подсчет колоний в доклинических условиях.

Многие стартапы сосредоточены на использовании ИИ для предоставления решений, которые варьируются от предоставления платформы для открытия и разработки лекарств до помощи в биологическом моделировании, молекулярном дизайне и анализе, идентификации целей, точной медицине, геномике, токсичности и анализ/прогнозирование потенции, понимание взаимодействия генов и биологических сетей, перепрофилирование лекарств и т. д. Они предоставляют платформы искусственного интеллекта, со временем создали хранилище данных, а также сотрудничают с ведущими исследовательскими институтами для изучения конкретной области заболевания, методологии лечения, например. BenevolentAI, Insilico Medicine, Verge Genomics, XtalPi и др.

Точно так же крупные фармацевтические компании сами инвестируют в ИИ, а также связываются с различными стартапами и исследовательскими институтами для того же. Внутри они работают над программами цифровой трансформации и консолидации данных организации (например, программа Data 42 компании Novartis) и находятся на разных стадиях зрелости. Некоторые из них, такие как Merck, Bayer, объединяются со стартапами, такими как Cyclica, для работы в таких областях, как понимание профилей безопасности молекул, открытие новых терапевтических применений их существующего портфолио, выявление потенциальных кандидатов в лекарства, многоцелевая разработка лекарств.

Apple активно работает над созданием экосистемы с использованием iPhone и Apple Watch. Он запустил платформы с открытым исходным кодом — ResearchKit, CareKit, Health Record API, а также усовершенствовал свои алгоритмы распознавания лиц для более широкого использования пациентами.

Лечение и диагностика –

ИИ используется для более быстрой и ранней диагностики и лечения. Здесь наблюдается более широкое использование смартфонов для выполнения хотя бы начального анализа риска — продукт Dip.io обещает упростить анализ мочи за счет использования алгоритмов компьютерного зрения тест-полосок; SkinVision можно использовать для оценки риска рака кожи; существуют продукты для мониторинга и прогнозирования здоровья, которые используют несколько параметров тела, такие как Biofourmis, ContinUse Biometrics и т. д.

Приложения на основе ИИ используются в сфере психического здоровья для обеспечения когнитивно-поведенческой терапии и групповой терапии. Хотя психиатрическая помощь является сложной областью и требует взаимодействия с человеком, потенциал использования ИИ огромен, особенно в таких областях, как расстройства пищевого поведения, злоупотребление психоактивными веществами с более низким входным барьером и конфиденциальность. Но такие приложения должны быть должным образом проверены и одобрены, прежде чем они будут использоваться в больших масштабах. ИИ также может прогнозировать риск самоубийства, сканируя сообщения в социальных сетях и любые другие текстовые и голосовые данные, если они доступны.

Наряду с психическим здоровьем ИИ также используется для понимания здоровья мозга и поведенческих сценариев — его можно использовать для прогнозирования судорог, определения начала деменции по ЭЭГ (электроэнцефалография). ИИ также был расширен и использовался в несколько иных областях, например, на основе моделей травм, рентгеновских снимков, он даже может помочь в обнаружении случаев домашнего насилия, особенно когда жертва не решается поделиться подробностями таких случаев с врачом.

Аспект создания экосистемы:

Важно создать экосистему ИИ, которая позволит вносить вклад более крупным деловым и техническим сообществам, отдельным лицам, а также образовательным учреждениям и крупным корпорациям/стартапам. Крупные организации, облачные провайдеры, нишевые поставщики сотрудничают для создания/предоставления интегрированной платформы вместе с соответствующими наборами данных, инструментами искусственного интеллекта и API-интерфейсами — Google, AWS, WuXi, PHDA, Microsoft, DeepVariant, Accenture — вот некоторые из компаний, которые работают в этом направлении. область, предоставляющая большие наборы геномных данных, исследовательские приложения, безопасные облачные платформы с хранилищем, вычислительными мощностями и т. д.

Аналогично WordNet и ImageNet, набор данных MoleculeNet был создан с использованием пакета с открытым исходным кодом DeepChem и, таким образом, обеспечивает доступ к некоторым популярным алгоритмам DL, существующим в DeepChem. Существуют открытые исследовательские платформы, такие как MOSES (Molecular Sets), которые открыты для исследователей и организаций для предоставления своих наборов данных и моделей для расширения платформы сравнительного анализа.

Было создано несколько консорциумов и ассоциаций для дальнейшего применения ИИ в науках о жизни и здравоохранении, например. MLPDS создана Массачусетским технологическим институтом и некоторыми ведущими фармацевтическими игроками; АТОМ; ААИХ и др.

В этом посте основное внимание уделялось предпусковым и лечебным областям индустрии наук о жизни. В следующем посте я затрону коммерческие направления, а также бизнес-направления Payer и Provider. Использование ИИ будет претерпевать дальнейшие преобразования и использование по мере того, как все больше усилий и инноваций будут способствовать его зрелости. Но фокус должен быть оценен с точки зрения конечной ценности, доставляемой соответствующим заинтересованным сторонам. Хотя внедрение ИИ должно быть частью более крупной организационной стратегии, предпочтительно развертывание должно осуществляться путем выбора и оценки вариантов использования, которые приносят пользу с управляемым риском. И по мере того, как он будет развиваться и внедряться во все более и более значимые варианты использования, мы надеемся, что он поможет отрасли достичь своих целей по предоставлению более качественной медицинской помощи, улучшению здоровья при снижении затрат.