人工智慧，未來已來？｜葯明康德全球論壇實錄
本文轉載自「葯明康德」，原標題：未來已來？ | 葯明康德全球論壇實錄。
主持人：
David Beier博士，Bay City Capital董事總經理
嘉賓：
Jessica Mega博士，Verily Life Sciences首席醫學官
Vijay Pande博士，Andreessen Horowitz合伙人
Atul Butte博士，加州大學舊金山分校（UCSF）計算健康科學研究所主任
Mickey Kertesz博士，Karius首席執行官
Alex Zhavoronkov博士，Insilico Medicine首席執行官
未來已來？
David Beier博士：大家好，這是我們今天的最後一場專題討論。先請大家簡單介紹一下自己，以及和人工智慧相關的背景。
Atul Butte博士：我是加州大學舊金山分校的教授和計算健康科學研究所主任，也創辦了一家用人工智慧進行藥物發現的公司。
Jessica Mega博士：我是一名心臟病學家，也是一名內科醫生。之前，我加入了Google和Google X，和團隊專註於醫療保健和生命科學的信息。如今，我們成立了叫做Verily的公司。我相信人工智慧會是收集和組織信息的新方法。
Vijay Pande博士：我是Andreessen Horowitz合伙人，也是斯坦福大學的兼職教授。今天，我們來這裡談談人工智慧的挑戰是什麼，我們現在能做什麼，以及我們將來能做什麼。
Mickey Kertesz博士：感謝主辦方邀請我參加這場討論，我是Karius的首席執行官，我們致力於將基因組學應用於疾病診斷，使用下一代測序技術來確定每個病人的感染情況。我很高興來到這裡討論人工智慧和基因組學等重量級技術的潛力。
Alex Zhavoronkov先生：Insilico Medicine是一家大數據公司，專註於應用下一代人工智慧，進行藥物測試和藥物發現。我的背景是計算機科學。
David Beier博士：感謝大家的介紹，我先說一個故事。19年零8個月前，我第一天上班時，我的副總裁問我，摩爾定律和基因組測序之間有怎樣的關係，將如何降低醫療費用？當時我不知道他在說什麼。20年來，我們看到測序成本在快速下降，甚至比摩爾定律下降更快。20年前沒有人能夠預測現在的情況，我們也無法準確預測20年之後會發生什麼。今天，我們將請各位嘉賓勾勒出「精準健康」的未來藍圖。
基因組測序成本的降低速度要超過摩爾定律（圖片來源：NIH）
Jessica Mega博士：我分享一下我的個人經驗。17年前我對臨床研究非常感興趣。當時，我們知道在藥物代謝方面，人與人之間可能完全不同。隨著時間的推移，我們了解到基因組成會影響人對藥物的響應。精準醫療開始於疾病相關的基因元件以及對藥物的反應。這不僅僅是分子的組成，還有人體每天的生物學。精準醫療離不開這些廣泛的數據集合，這是我們獲得精準健康的唯一途徑。
Atul Butte博士：我們將為病人定製醫療保健。想要達到這一目標，我們不僅需要考量生物學因素，還需要考慮行為上的因素。我們需要從廣泛的人群收集數據，當你想要提供精準醫療、提供精準健康的時候，它是由數據驅動的。我們已經在醫療保健方面收集了大量臨床試驗數據，基因型數據、電子健康記錄數據也正在呈指數級增長。我們期待的是一個數據驅動的時代，這樣才有精準醫療，精準健康。我們能從數據中獲得什麼，這是人工智慧幫助我們的地方。
David Beier博士：我們許多聽眾不是計算機專家，能否幫助我們用簡單的語言了解一下，人工智慧、增強智能、智能輔助都是什麼意思？這些概念與機器學習、深層學習網路又有什麼區別呢？
Andreessen Horowitz合伙人Vijay Pande博士
Vijay Pande博士：我們在這裡討論的關鍵問題是如何利用數據建立模型，進行預測。如果你畫一個有X軸和Y軸的坐標系，並且在裡面畫一條直線，你就建立了一個用來預測的模型。當然，用於機器學習的模型遠比一條直線複雜。我們要知道X軸和Y軸究竟代表什麼含義，知道我們大致要畫出什麼樣的圖形，知道我們要輸入怎樣的數據，這樣才能最終做出預測。生物學是一個非常複雜的領域，過去我們往往僅用生物標誌物來建立模型，這過分簡化了問題。現在我們已經對生物學有了更深層次的了解，也能更好地把人工智慧技術應用於這個領域。
Mickey Kertesz博士：對我而言，人工智慧的定義是在不斷變化的。幾年前光學字元識別（OCR）被看作是人工智慧，但是現在大家已經不再這麼認為了。同樣的，幾年前你會認為，語音控制Siri設定一個5分鐘的計時器就是人工智慧，然而現在這也只是Siri的一個功能而已。由於人工智慧的定義隨時都在改變，未來的任何事物都可能成為人工智慧。但是當你掀開它的神秘外衣，就會發現這只是另外一個更先進的演算法。隨著我們獲得的數據資源越來越豐富，我們的技術會更加進步，從而具備不用假設就可以獲取洞見的能力。
就好比我們使用機器學習來解決一個問題。我們並不會花費太多時間來詳細說明解決問題的原理，我們需要做的只是找到一個合適的示例，然後用機器和演算法找出解決方案。我們不需要對問題進行描述，只需要利用大量的數據來找到所有符合的信號，這些信號有的可能很有意思，有的也許毫不相關，我們可以利用這些數據來產生所有的假設。
Alex Zhavoronkov博士：人工智慧的定義非常廣泛。現在每個人都在使用這個詞語，所以它非常容易被濫用。眼下，所有和大數據以及大數據分析相關的東西都被稱為人工智慧。機器學習被看作廣義人工智慧的一個子集。深度學習驅使了人工智慧的演變，讓機器像人一樣進行學習。我們也據此提出了NextGen AI的概念。同時，強化學習這一理論也出現了，像AlphaGo和AlphaGo Zero都是屬於這一類。在這些新事物的推動下，人工智慧正在迅猛發展。
David Beier博士：在座的嘉賓們能否舉幾個例子，來說明一下人工智慧在當今醫療健康領域的地位，以及今後3 - 5年的發展？如果我們認為患者正在從人工智慧中獲益，那我們就必須要討論一下人工智慧在未來的潛力。
Atul Butte博士：在我看來，人工智慧並不神秘，也並不是什麼計算機的魔法。它只是一個個軟體庫和一行行寫出來的代碼。你可能會在新聞中看到，人工智慧正在協助藥物研發或者疾病的治療，這些的確是真實發生的。但是這並不意味著我們會失業。現在看來，人工智慧只是一些軟體。
Jessica Mega博士：我完全同意。人工智慧可以被用作解決問題的工具。目前我們正在研究獲取視網膜圖像的演算法，讓人工智慧識別患者是否產生糖尿病視網膜病變。在這些方面，人工智慧演算法可以和眼科醫生做的一樣出色，甚至更好。這並不會讓人們失去工作，相反，這可以讓醫生們擴大診斷的規模，並更好地專註於患者本身的健康。
Vijay Pande博士：人工智慧能夠通過檢測血液中的DNA，在早期階段發現癌症，這一技術已經達到了高度準確。本質上來說，人工智慧是人們擁有的一項工具，其功能也在隨著時間而不斷改變。
Mickey Kertesz博士：在傳染病領域的基因組學，人工智慧就是一個工具箱，能分析成千上萬的數據點。從中我們可以挑選一個參照基因組進行分析，設定基線，得出「這名患者的血液中有這類微生物」的結論。這些事情無法以任何其他方式完成。
Alex Zhavoronkov博士：世界上總有兩種人：第一種人是懷疑論者，他們現在對人工智慧持懷疑態度，放在過去則會懷疑蘋果手機、懷疑互聯網、懷疑飛機。另外一種人是超級樂觀者，他們即使不從事人工智慧方面的工作，也會過度誇大這項技術。除了這兩種持極端態度的人群以外，還有一些人持中間態度。你需要做的其實是去驗證，證明人工智慧是有效的，這樣才會有更多的人相信它。這就是我們公司正在做的事情。人工智慧帶來了很多有希望的結果，我們可以看到它，所以我們相信它。現在我們可以用人工智慧來做很多事情，這在以前是完全不可能的。通過人工智慧，我們可以很好地展現出創新性。
David Beier博士：人工智慧公司是否可能在未來主導新葯發現和研發？
Vijay Pande博士：人工智慧公司和傳統醫藥公司不一樣的地方在於可作為的階段不同。我們致力於挖掘數據，而傳統醫藥公司能更好地使用我們提供的數據。我認為人工智慧目前存在的最大挑戰在於，如何獲取數據來預測1期試驗結果，或者在1期試驗結果的基礎上預測2期試驗結果。解決這些問題能帶來巨大的影響。
Mickey Kertesz博士：驗證假設和進行預測是有差異的。如果基於演算法的預測來暫停臨床項目，和驗證假設是完全不同的概念。這同樣適用於疾病診斷。建立一個對於病人的診斷假設並去證實，和對於病人即將出現的癥狀進行預測，以便進行預先治療，這需要完全不同的演算法級別。
Alex Zhavoronkov博士：我認為未來充滿著合作，IT公司和醫藥公司都不會在該領域占完全主導。沒有醫藥公司的支持，我們無法完成藥物研發。醫藥創新的過程可能不如人工智慧來的快，但是一旦新技術發揮作用，它就會被迅速推廣開來。我們要迎接充滿合作可能的未來。
David Beier博士：能再聊聊數據的互通與分享嗎？
Mickey Kertesz博士：我認為數據的互通和分享很重要。由於數據本身具有複雜性，研究機構和公司只能通過與其他豐富的數據源共享數據，才能達到新的發展階段。所以我們需要用監管讓所有人達成共識，從而建立起分享的平台。
Alex Zhavoronkov博士：當我們討論患者相關的話題時，我們不應該只考慮數據的私密性。相反，我們應該考慮的是如何延長患者的生命，並且改善他們的健康狀況。這就是我們提倡合作的原因。同樣，擁有多樣性也是極為重要的。以深度學習為例，如果只針對特定的人口群體，而忽視少數群體的話，就會產生偏差。這就是為什麼在人工智慧領域一定要鼓勵分享和合作。
David Beier博士：現在患者面臨的一個問題是，做基因檢測的許多人並不真正了解DNA是什麼，因為有很多人不懂科學。這個問題在我們給患者提供數據時最為明顯。在現實世界中，人們如何能夠更好地理解他們在醫療健康方面所做出的選擇呢？
Atul Butte博士：患者獲取數據的權利和理解數據的權利是截然不同的兩回事。我有一個很愛用的比喻：我們都駕駛汽車，汽車的儀錶盤上有一個埠，這是聯邦法律規定要安裝的。這時你車上的檢查發動機指示燈亮了起來，有多少人會購買一個200美元的裝置，來為你的車做一個診斷呢？很少。為什麼你不願意進行診斷呢？因為你會找人來修車，而修車的人會告訴你，你的車只是沒有油了。如果我們連200美元來診斷一下自己的車都不願意，那通過自我診斷來取代醫生就更不可能了。這就是我們依舊從事醫藥行業的原因，現在還遠沒有到醫生失業的階段。
Vijay Pande博士：就剛才汽車的例子而言，有多少人會在檢查發動機指示燈亮起之後不把車子馬上送到修理廠呢？很多人都會這樣。所以真正的問題在於，你感到不舒服，但是卻不確定這種狀況到底需不需要去看醫生。我認為機器學習的一個優勢和影響在於預防性藥物，讓人們在去看醫生之前就得到癥狀上的緩解。
Alex Zhavoronkov博士：我們最近發表了一篇文章，其中提到教育人們提升對數據認知的最好方法，是讓他們控制數據，並從數據中獲益。我們和一家非常有名的區塊鏈公司建立了合作關係，允許人們在安全的環境下交換數據。每一條數據都可以造福患者，甚至你上傳的圖像也可以告訴我們很多關於患者的信息。所以我們允許用戶把數據放入區塊鏈，並從中獲益、學到東西。
David Beier博士：非常有趣。在未來的3-5年，在人工智慧方面，什麼東西對你來說最酷？
Atul Butte博士：在接下來的3-5年時間裡，我會把我的時間用在一些看起來過時的東西上：電子醫療保健數據。我非常喜歡收集這些數據。就像我之前講的，我們國家耗費數百萬打造電子系統，進行這些數據的存儲。這裡面詳實地記錄了患者的醫療數據，已經足夠完善。我們從原始的電子醫療保健數據中了解得越多越好——預測什麼對患者有害，患有複雜疾病的患者需要採取哪些醫療步驟，為什麼沒有針對他們的臨床試驗。我想這會是人工智慧將對電子數據所做的變革。
Jessica Mega博士：人工智慧真正吸引我的是，它專註於研究不同的數據類型，而這些數據類型可能會存在於同一名患者身上。當你開始專註於研究電子醫療數據時，你不會去做很多生物學方面的假設。相反，你會利用工具建立特定的模型，對數據進行解讀。你會發現，很多疾病的狀態會發生變化。舉個例子，我們現在所說的糖尿病，可能是一大類疾病的子集。人工智慧可以用一種人類從未嘗試過的角度對疾病進行解讀，我認為這將改變對人類疾病的理解方式。
Vijay Pande博士：我認為一個有趣的應用在於研究衰老與長壽。在抗衰老領域，一直懸而不決的一個問題是，究竟哪裡才是臨床終點? 對心臟病來說，膽固醇水平就是其臨床終點。我們希望利用人工智慧技術來開發衰老相關的生物標記物，這會對醫療產生巨大影響。
Mickey Kertesz博士：我認為很酷的一個應用是不僅僅針對單一患者，而是針對更廣泛的群體進行全部資料庫的搜索和篩選。這就好像從前醫生會使用同一種療法為所有患者進行治療，後來逐漸演變到對每位患者的個體化治療，再到現在把多位患者看成同一個群體，從他們身上發現共同的特徵。
Alex Zhavoronkov博士：在人工智慧、區塊鏈和新技術的帶動下，我們要擁有雄心壯志，但也不要忘記腳踏實地，先取得一些小的成就。在人工智慧和藥物研發領域，我們可以首先在皮膚病學取得一些成就。我們也有關於衰老和長壽的項目，基於壽命尋找和長壽有關的特徵。這些都是為了人們能夠保持健康，預防疾病。在不久的將來，我們能很快看到成果。
本網站所有註明「來源：生物探索」的文字、圖片和音視頻資料，版權均屬於生物探索所有，其他平台轉載需得到授權。本網所有轉載文章系出於傳遞更多信息之目的，且明確註明來源和作者，不希望被轉載的媒體或個人可與我們聯繫(editor@biodiscover.com)，我們將立即進行刪除處理。所有文章僅代表作者觀點，不代表本站立場。
TAG:生物探索 |