一文看懂AI醫療四大最新進展
【編者按】AI醫療熱度依舊,最新進展值得關注。基因組學和機器學習成功預測動脈瘤風險;Insilico釋出深度生成對抗網路(GAN)最新研究成果;無創檢測高鉀血癥,AI軟體獲得FDA突破性裝置認定;無需活檢,AI可以從CT影象預測免疫療法效果......
本文發於藥明康德AI,作者藥明康德;經億歐大健康編輯,供行業人士參考。
1、斯坦福大學:基因組學和機器學習成功預測動脈瘤風險
根據發表在《細胞》雜誌上的一項研究,斯坦福大學的科學家們開發了一種利用基因組學和機器學習來預測腹主動脈瘤(AAA)的方法。 據斯坦福大學遺傳學教授兼主席Michael Snyder博士介紹,該團隊使用的方法是“不可知論(agnostic)”。他們沒有事先懷疑特定基因可能在AAA中發揮作用。相反,而是將患者的遺傳資訊輸入演算法並“讓機器學習解決問題”。具體而言,他們不是試圖將這種疾病與個體基因突變聯絡起來(如測試BRCA1或BRCA2突變以預測乳腺癌風險),而是用機器學習分析了268名AAA患者的基因組資料,以尋找突變模式。研究小組最終確定了60個在AAA患者中高度突變的基因。為了進一步驗證,研究人員又檢測了133名健康人的基因組,沒有發現相同的異常突變模式。研究人員報告說,該演算法結合基因組測序,預測AAA風險的準確率能達到70%。
2. Insilico釋出深度生成對抗網路(GAN)最新研究成果
9月11日,Insilico Medicine,一家位於羅克維爾,專門將深度學習應用於靶標識別、藥物發現和抗衰老研究的下一代人工智慧公司,宣佈在美國化學學會雜誌《Molecular Pharmaceutics》上,發表一項題為“使用糾纏條件性對抗自動編碼器進行從頭藥物發現(Entangled Conditional Adversarial Autoencoder for de-novo Drug Discovery)”的最新研究。論文描述了一種原創的深度神經網路結構——糾纏條件對抗自動編碼器(ECAAE),它能夠基於對分子特性的各種要求產生分子結構,如對特定蛋白質的活性、溶解度和合成的簡便性。研究人員使用ECAAE生成針對類風溼性關節炎,牛皮癬和白癜風的新型JAK3抑制劑。並且,這些分子在體外測試中顯示出高活性和選擇性。2014年,Ian Goodfellow博士及其同事提出的生成對抗網路(generative adversarial networks,GAN),通常被稱為“AI想象”,是AI研究中最激動人心的領域之一。Insilico Medicine是將GAN架構應用於生成新型分子結構的領先公司之一。
3. 無創檢測高鉀血癥,AI軟體獲得FDA突破性裝置認定
9月10日,人工智慧的創新公司AliveCor宣佈,美國FDA已經授予該公司的KardiaK軟體平臺突破性裝置認定。KardiaK平臺無需患者血液,就可以篩查血鉀升高——高鉀血癥。該技術採用專有的深度神經網路,使用心電圖(ECG)資料檢測高鉀血癥,這些資料可以用AliveCor的KardiaMobile和KardiaBand裝置捕獲。目前,測量鉀水平的黃金標準是血液測試,但測試是侵入性的,需要在實驗室中進行,對患者來說不方便。AliveCor希望能讓腎病患者記錄心電圖並在家中使用KardiaK。無創且方便,不流血的KardiaK平臺有望改變高鉀血癥的診斷標準。
4. 柳葉刀子刊:無需活檢,AI可以從CT影象預測免疫療法效果
近日,發表在《The Lancet Oncology(柳葉刀腫瘤學)》上的一項最新研究發現,人工智慧可以通過分析CT影象獲得個體化的“放射學特徵(radiomic signature)”,預測患者對免疫療法的反應,而無需進行活檢。以CD8細胞作為PD-1和PD-L1單藥療法的成像生物標誌物,該演算法通過計算腫瘤的淋巴細胞浸潤水平,提供療效的預測評分。這項回顧性研究通過基因組學,組織學和臨床分析,驗證500名不同實體瘤患者的放射學特徵。演算法從其他包含基因組資料和CT掃描結果的研究中提取相關資訊並學習。為了測試實際應用效果,研究人員使用該演算法評估了在五個參加免疫療法1期試驗的受試者,分析他們治療之前的CT掃描影象。結果發現,放射學評分較高的患者在3-6個月時的治療效果較好,並且總體生存率更高。