人工智能如何加速多种人类疾病的研究？

本文中，小编整理了多篇重要研究成果，共同解读人工智能如何加速多种人类疾病的研究，分享给大家！

图片来源：CC0 Public Domain

【1】Nat Med：开发出新型AI诊断工具 不需要进行检测就能预测COVID-19的感染风险

doi：10.1038/s41591-020-0916-2

近日，一项刊登在国际杂志Nature Medicine上的研究报告中，来自伦敦大学国王学院等机构的科学家们通过研究开发了一种人工智能诊断技术，其能根据机体症状来帮助预测个体患COVID-19的可能性。这种AI模型能利用来自COVID症状研究app中的数据，通过对比个体的症状和传统COVID检测的结果来预测一个人患COVID-19的风险，这就能帮助检测受限的确的人群进行COVID-19的筛查，目前在英国和美国的两项临床试验即将开始。

全球有超过330万人下载了该app，并且利用其来记录自身每天的健康状态，比如其是否感觉良好或有什么新的疾病症状，比如持续咳嗽、发烧、疲劳及味觉丧失等。文章中，研究人员对定期在app中记录自身健康状况、来自英国和美国250万人的数据进行分析，其中约有三分之一的人群记录了与COVID-19相关的症状，有18374名个体表示曾经接受过冠状病毒的检测，有7178人为阳性结果。

【2】Neuro Oncology：AI技术帮助脑癌患者早期检测

doi：10.1093/neuonc/noz199

近日，来自美国西南大学的一项新研究显示，通过人工智能手段，医生们只需检查大脑的三维图像，就能识别出胶质瘤肿瘤中的特定基因突变，准确率超过97%。这样的技术有可能代替目前常见的预处理手术的做法，即通过抽取胶质瘤样本并进行分析来选择合适的治疗方法。

近年来，全国各地的科学家们一直在测试其他的成像技术，但最新的研究可能是最准确、最可行的临床方法之一。

"知道胶质瘤中的特定突变状态对于确定预后和治疗策略非常重要，研究者表示，仅仅使用传统的影像学和人工智能来确定这种状态的能力是一个巨大的飞跃。该研究利用深度学习网络和标准磁共振成像（MRI）检测一种名为异柠檬酸脱氢酶（IDH）的基因的状态，这种基因产生的酶在突变状态下可能会引发脑内肿瘤生长。

【3】Cell：AI从超1亿个分子中预测强力抗生素，杀伤超级耐药细菌

doi：10.1038/d41586-020-00018-3

近日，一项刊登在国际杂志Cell上的研究报告中，来自麻省理工学院等机构的科学家们通过研究开发了一种开创性的机器学习方法，其能从1亿多个分子中识别出了强大的新型抗生素，包括一种可以对付多种细菌的分子--包括肺结核和被认为无法治愈的菌株。研究人员表示，这种名为halicin的抗生素是第一个被人工智能发现的抗生素。尽管人工智能以前曾被用于协助抗生素发现过程的某些部分，但他们表示，这是人工智能首次在不使用任何人类假设的情况下，从零开始识别出全新种类的抗生素。

研究者表示，这项研究意义非凡，如今研究小组不仅确定了候选分子，还在动物实验中验证了有希望的分子。更重要的是，这种方法也可以应用于其他类型的药物，如用于治疗癌症或神经退行性疾病的药物。细菌对抗生素的耐药性在全球范围内急剧上升，研究人员预测，除非紧急开发新的药物，否则到2050年，耐药感染每年可能导致1000万人死亡。但在过去的几十年里，新抗生素的发现和监管审批都有所放缓。人们不断地发现同样的分子，我们需要新的化学反应和新的作用机制。

【4】Nat Rev Neurol：人工智能技术或有望加速并改善阿尔兹海默病的诊断

doi：10.1038/s41582-020-0377-8

近日，一项刊登在国际杂志Nature Reviews Neurology上的研究报告中，来自谢菲尔德大学等机构的科学家们通过研究表示，利用人工智能（AI）或能帮助快速诊断阿尔兹海默病并改善患者的预后；文章中，研究人员分析了在医疗领域中如何使用AI来帮助改善常见神经变性疾病给英国国民健康保险制度（NHS）所带来的时间和经济的影响，比如阿尔兹海默病和帕金森疾病等。

很多神经性障碍的主要风险因素是年龄，随着全球人群预期寿命的延长，患有神经变性疾病的患者的数量预计也会达到前所未有的数量，研究者预测，截止到2050年，仅阿尔兹海默病患者的数量就会增加两倍，达到1.15亿，这对健康卫生系统会带来一定的挑战；这项研究中，研究人员利用AI技术（比如机器学习算法）在疾病症状恶化前检测神经变性疾病，这就能够改善患者因成功疾病修饰疗法而获益的机会。

【5】PNAS：人工智能帮助预测耐药性超级细菌

doi：10.1073/pnas.2008807117

在最近一项研究中，杜克大学的生物医学工程师已经表明，可以通过对细菌的生长动态进行机器学习分析来区分不同菌株，然后可以准确地预测其他特征，例如对抗生素的抵抗力；该技术具有比当前标准技术更快，更简单，更便宜，更准确的识别疾病和预测菌株行为的优点，相关结果发表在PNAS杂志上。

在微生物学的研究历史中，细菌鉴定都依赖于生长的培养物并分析所得细菌菌落的物理特性和行为。直到最近，科学家才可以简单地进行基因测试。然而，基因测序并不是普遍的，通常可能需要很长时间。即使具有对整个基因组进行测序的能力，也可能很难将特定的遗传变异与不同行为特征联系起来。

图片来源：Wikipedia

【6】Nat Metabol：新型算法或能利用人工智能技术来帮助管理1型糖尿病患者

doi：10.1038/s42255-020-0212-y

近日，一项刊登在国际杂志Nature Metabolism上的研究报告中，来自俄勒冈健康与科学大学等机构的科学家们利用人工智能和自动化的监测手段开发出了一种新方法，其或能帮助1型糖尿病患者更好地管理自身的血糖水平。研究者Nichole Tyler博士表示，我们的系统设计非常独特，文章中我们完全利用特殊的数学模拟器来设计人工智能算法，然而，当这种算法在1型糖尿病患者的真实数据上得到验证时，其所产生的建议与内分泌学家提出的建议高度相似。这一点非常重要，因为糖尿病患者常常需要3-6个月时间才能与内分泌科的医生进行预约和诊治。

在这段时间里，如果患者机体血糖水平过高或过低的话，其就可能存在出现危险并发症的风险，1型糖尿病患者自身无法产生足够的胰岛素，因此其就必须通过使用胰岛素泵或每天多次胰岛素的注射来控制血糖，这项研究中，研究人员所开发出的这种新型算法能利用从连续葡萄糖监测设备和无线胰岛素笔收集的数据从而为患者的治疗提供指导。当与一种名为DailyDose的手机app配合使用时，该算法的推荐结果显示，其在67.9%的时间里与医生的意见一致。

【7】Cell：中国科学家开发出一种可准确地诊断新冠肺炎和评估预后的人工智能系统

doi：10.1016/j.cell.2020.04.045

最近，AI在许多医疗领域中的应用取得了令人振奋的新进展，这些新进展激发了基于AI的新型放射诊断技术的创新性开发。Chen等人回顾了胸部薄层CT的各种定量模型，显示了定量工具在精准诊断和纵向随访中的有效性。另一项研究显示，深度学习算法有助于识别头部CT扫描异常，可辅助临床分诊。近期的研究展示了将AI整合到眼科和儿童疾病诊断系统中的潜力，并发现这可以显著提高临床诊断效率和准确性。随着CT扫描工具的更加精确，在一项新的研究中，来自中国澳门科技大学、四川大学华西医院、广州再生医学与健康广东省实验室、清华大学、中山大学、三峡大学、安徽医科大学、武汉大学、广州医科大学、云南省第一人民医院、香港理工大学和广州康睿智能科技公司（Guangzhou Kangrui AI Technology）的研究人员假设可以建立一种能够准确诊断NCP的AI系统，这将有助于放射科医生和临床医生对提示存在COVID-19 NCP症状的患者进行管理。相关研究结果以论文手稿的形式在线发表在Cell期刊上。

另一个迫切的需求是识别出急性呼吸衰竭风险较高的患者，以便更早地对其进行严密监测，及早进行干预治疗，否则，这类患者最终发生多器官衰竭的几率较高，并伴有较高的死亡率。鉴于包括病灶的数量、大小和密度在内的病灶特征和肺实质的整体情况是衡量肺部损伤和肺部剩余储备的指标，因此，这些作者还测试了这样的一种假说，即是否可以利用临床数据和CT参数建立一种AI系统以便产生准确的临床预后模型，从而让临床医生能够制定对这类患者进行早期监测和管理的计划。据此，这些作者构建了一个针对NCP、其他常见肺炎和正常对照组的CT大数据集，并建立了一种用于辅助准确诊断的AI诊断系统，用于中国的1个流行病区和2个非流行病区。

【8】Nature：诊断乳腺癌 人工智能完胜人类专家！

doi：10.1038/s41586-019-1799-6

近日，一项刊登在国际杂志Nature上的研究报告中，来自谷歌健康公司的科学家们通过研究开发出了一种新型的计算机程序，其能通过常规扫描，以比人类专家更高的准确率对乳腺癌进行诊断和检测。乳腺癌是女性群体中最常见的一种癌症类型，仅去年一年就有超过200万的新确诊病例，在没有明显症状的患者群体中，进行定期筛查对于发现疾病的早期症状至关重要；在英国，50岁以上的女性会被建议每三年进行一次乳腺X光检查，同时检查结果由两位独立的专家进行分析。

但对扫描结果的解读往往留有出错的余地，而且在所有乳腺X光检查中，有一小部分结果会被出现假阳性（将健康人群误诊为患有癌症）或假阴性（将疾病阳性误诊为阴性）。这项研究中，研究人员通过研究，成功利用人工智能模型对英国和美国的数千名女性进行乳腺癌的扫描检测；这些图像在现实生活中已经被医生分析检查过了，但与临床环境不同的是，机器（人工智能算法）并没有依据病人的病史来进行疾病的诊断。

【9】ERMD：突破！科学家有望开发出一种新型的乳腺癌人工智能诊断工具

doi：10.1080/14737159.2019.1659727

日前，一项刊登在国际杂志Expert Review of Molecular Diagnostics上的研究报告中，来自兰卡斯特大学等机构的科学家们通过研究开发出了一种新方法，其或能识别出不同类型乳腺癌的特殊化学“指纹”，这些指纹就能被用来开发一种AI软件，从而制造出一种新型工具快速且准确地对乳腺癌进行诊断。

文章中，研究人员利用一种名为“拉曼光谱”的专门化学分析技术对活组织进行分析，识别出了多种类型乳腺癌的分子结构特性以及每一种癌症彼此之间的差异。拉曼光谱分析能提供细胞的实时信息，并用来检测细胞的行为、扩散以及在机体中何时出现等。当识别出乳腺癌细胞的化学指纹并观察到其改变的方式后，研究人员就能利用这些信息来训练复杂的机器学习算法识别四种不同的癌症亚型。

【10】Nat Machine Intell：人工智能助力生物医学成像

doi：10.1038/s42256-019-0095-3

根据最近一项研究，苏黎世联邦理工学院和苏黎世大学的科学家成功利用机器学习方法来改善光声成像。这种相对年轻的医学成像技术可用于诸如可视化血管，研究脑活动，表征皮肤病变和诊断乳腺癌等方向。然而，渲染图像的质量很大程度上取决于设备使用的传感器的数量和分布：传感器的数量越多，图像质量就越好。 对此，研究人员开发的新方法可以在不放弃最终图像质量的情况下大幅减少传感器的数量，从而可以降低设备成本，提高成像速度并改善诊断结果。

光声学在某些方面与超声成像相似。在后者中，探头将超声波发送到体内，并被组织反射。探头中的传感器检测返回的声波，随后生成人体内部的图像。在光声成像中，取而代之的是将非常短的激光脉冲发送到组织中，然后被吸收并转换成超声波。最终，超声波被检测并转换为图像。由苏黎世联邦理工学院和苏黎世大学生物医学影像学教授Daniel Razansky领导的团队开发了一种新的方法，能够在仅拥有少量超声传感器的情况下改善图像质量。为此，他们首先使用具有512个传感器的高端光声扫描仪来提供高质量的图像。他们通过人工神经网络对这些图片进行了分析，从而了解了高质量图像的特征。（生物谷Bioon.com）

生物谷更多精彩盘点！敬请期待！