智能医学工程：新医科的探索与实践
智能医学的人才需求与培养目标
智能医学（IntelligentMedicine，IM）是医学未来的发展方向，它是以现代医学与自然科学理论为基础，融合先进的大数据与云计算、脑科学与人工智能、智能感知与机器人等技术，挖掘人的生命和疾病现象的本质及规律，探索人机协同的智能化诊疗方法和临床应用的一门新兴交叉学科。
智能医学的发展理念十分契合我国现阶段医疗资源短缺且分布不均、老龄化日益严重的现状。因此，智能医学具有广阔的市场前景。相关数据显示，2016年至2018年全球智慧医疗服务支出年复合增长率约为60%，2019年全球智慧医疗服务产业规模达到4000亿美元。在国内，华为、阿里、百度、腾讯、京东、小米等互联网企业均在加大投入，布局大健康产业。可以预计，在“十四五”乃至今后很长一段时间内，智能医学将形成一个巨大的产业链，由此将产生大量就业机会和人才缺口。
智能医学的发展，需要兼具深厚的数理基础、完备的医学知识、前沿的智能工程技术手段，能够综合运用所学知识进行临床转化创新的高素质复合型人才。因此，智能医学工程（IntelligentMedicalEngineering，IME）的专业培养目标，是面向“健康中国2030”国家战略，秉承深度融合医理工相关学科的建设理念，培养具有家国情怀、全球视野、创新精神、实践能力及人文关怀意识的国际化医工复合型领军人才和医学拔尖创新人才。具体培养目标包含以下几个方面：第一，具备宽厚的自然科学、人文社科基础知识，掌握丰富的现代医学、生命科学、工程科学基本理论；第二，具备信息时代的医学科学思维以及面向前沿智能科技的工程实践能力，具备将新兴工程技术手段与不断涌现的医学需求相融合的创新能力；第三，具备批判性思维、探索精神和创新意识以及自主学习与终身学习能力，能够应对不断发展变化的科技革命浪潮；第四，具备广阔的国际视野、较强的沟通交流能力以及团队合作精神，能够在一个多学科、多文化背景的团队中发挥领导作用。
作为医工深度融合的学科，智能医学工程把临床需求作为出发点和落脚点，关注生命健康全周期，布局医学与智能的交叉融合、转化创新，打通医学从“实验室”到“手术台”的通路桥梁。智能医学工程专业学生的知识架构如图1所示。
图1智能医学工程的知识架构
其核心是医疗健康大数据的智能感知、智能分析、智能决策，以及在此基础上形成的精准医疗。此外，还包括虚拟现实、脑机接口等新兴智能人机交互技术以及对智能所产生的生理、心理机制的深入研究。核心之下，是人工智能、物联网、精密机械、电子信息等相关工程技术，以及医学影像学、医学诊断学、医学信息学等医学技术所形成的支撑；核心之上，则是智能医学所应用的各种场景；最底层，则是数理、人文等相关的通识教育及医学基础知识。
针对未来的大健康产业，智能医学工程专业的毕业生将对智慧医院、区域医疗中心、家庭自助健康监护三级网络中的医学现象、医学问题和医疗模式有更深入的理解，因而，相比于其他专业，智能医学工程专业的学生能够熟练地将人工智能、互联网等技术应用于医疗信息大数据的智能采集、智能分析以及智能诊疗、临床实践等各个环节。
学生毕业后能够在大型综合性医院或医疗机构中从事智能医学图像处理、智能检验、智能手术、精准医疗、智能康复、智能医学病案管理、远程医疗等相关工作，或在高校、研究院所、人工智能以及智能医疗相关企业中从事智能医学仪器的研发、智能医学系统的搭建、智能医学数据的挖掘等工作。
此外，智能医学中的“智能”也包括对人脑生物智能的相关研究。在当下所流行的人工智能+诸多领域中，唯有人工智能+医学是双向的，不仅包括了人工智能技术在医学中的应用，还包含了脑科学、神经科学等相关医学领域成果对人工智能的回馈，指导深度学习、类脑计算等相关技术的发展。因此，智能医学工程专业的毕业生在人工智能相关的科研和工程领域也具有较强的竞争优势。
智能医学工程与新医科建设
在人才培养方面，我国现阶段的医学教育相对封闭，缺少人文环境以及理工学科的支撑，医理、医工、医文融合不足。智能医学工程专业的建立，是新医科的尝试。它是我国首个也是目前唯一一个在医学门类中授予工学学位的本科专业，标志着工程对医学的支撑已经从早期的“医工交叉”“医工结合”的层次步入了“医工融合”的阶段。智能医学工程站在医学的角度看工程，能更准确地将医学中的需求翻译为工程中的设计指标，并传递到工程设计与制造的各个环节，从而将转化医学的概念由基础研究拓展至了工程领域。
智能医学工程打破了“先理后医”的固有思路，在学生学习精力最旺盛的本科阶段同时开展医学教育与工程训练。与传统的生物医学工程不同，智能医学工程加大了医学课程的权重，其课程体系中，人文数理等通识课程、工程训练和医学课程的比重各占1/3。在低年级阶段，除工程训练外，学生需要学习全部的基础医学课程以及部分临床医学课程。但智能医学工程的定位并不是培养临床医生。因此，在高年级乃至研究生阶段，学生不需要进行规培等大量临床实践，而是转向医学科学的相关研究与工程实践（图2）。最终目标是培养具有医学知识和工程能力的医学科学家。
图2智能医学工程与临床医学
2018年，教育部批准天津大学、南开大学两所高校建立了全国首批智能医学工程专业。天津大学设立了全国首个智能医学工程博士点。同年，天津大学招收了全国首届智能医学工程本科生，并与天津医科大学合作，进行联合培养。
智能医学工程专业的建立，带动了天津大学医学相关学科的建设，形成了“医学牵引、工程支撑、转化创新、临床示范”的具有天大特色的医学发展之路，探索了传统工科院校兴办医科的新范式，在国内外相关院校中引起了较强的反响。截至2020年，全国开设智能医学工程专业的高校已由最初的2所增至25所，其中既包括南京医科大学等独立医学院校，也包括东南大学等传统工科强校，还包括山东大学、南昌大学等综合性院校，这为新医科建设以及健康中国战略目标实现增添了新生力量。
【作者：何峰万亮明东】
【作者单位：天津大学】
原载2021年第3/4期《中国高等教育》杂志
作者：何峰万亮明东返回搜狐，查看更多
人工智能技术在医药研发中的应用
鉴于人工智能技术在医药领域内得到越来越多的关注，以及在未来新药研发的重要位置，有必要对目前的研究及应用现状进行归纳总结。本文首先概述人工智能的主要方法，论述人工智能的特点，综述人工智能在医药研发各专业领域中的应用情况，讨论国内外实践经验，归纳人工智能应用的关键问题，最后提出建议并总结。
1
人工智能概述
1．1人工智能的主要应用领域
人工智能的主要应用领域包括机器学习、进化计算、图像识别、自然语言处理、认知计算等。除此之外，其他领域仍在持续性发展中。目前机器学习的主流研究方向也是人工智能的重要应用领域，机器学习可以通过计算获得经验来提高系统本身的性能。机器学习可以分为传统机器学习和高级机器学习，传统机器学习包括无监督学习和有监督学习等，高级机器学习则包括深度学习、强化学习和迁移学习等［9－11］。
1．2人工智能的主要发展过程与自身特点
自从1956年人工智能诞生以来，它经历了从高潮到低潮的各个阶段。最近的低潮发生在1992年，当时日本的第五代计算机并未取得成功，其后人工神经网络热潮在20世纪90年代初退烧，人工智能领域再次进入低潮期。直到2006年，GeoffreyHinton提出了深度学习的概念并改进了模型训练方法，突破了神经网络的长期发展瓶颈，人工智能的发展迎来新一轮浪潮。此后，国内外众多知名大学和知名IT企业开展了深度学习、强化学习、迁徙学习等一系列新技术的课题研究。同时，智能医疗、智能交通、智能制造等社会发展的新需求驱动人工智能发展进入了一个新阶段。
人工智能基于先进的机器学习、大数据和云计算，在感知智能、计算智能和认知智能方面具有强大的处理能力。它以更高水平接近人的智能形态存在，主要特点包括:①从人工知识表达到大数据驱动的知识学习技术。②从多媒体数据的子类处理到跨媒体交互。③从追求智能机器到高层人机协作。④从关注个人智能到基于网络的群体智能。⑤从拟人机器人到更广泛的智能自我处理系统。
内容由凡默谷小编查阅文献选取，排版与编辑为原创。如转载，请尊重劳动成果，注明来源于凡默谷公众号。
2
人工智能在医药研发领域的应用现状
本文为全面了解目前研究现状以及关注热点，借鉴杨超凡等［12］的方法，通过Scrapy(爬虫)，在百度学术以“artificialintelligenceanddrugdiscovery/research”为关键词进行英文文献搜索，得到共361篇英文文献，爬取到了每一篇文献中摘要、关键词、研究点分析以及发表时间。在进行文献搜集时只搜集了英文文献，因为一方面，人工智能在药物研发领域国外研究起步较早且研究体系相对成熟，形成对比的是国内在该方面领域研究较少;另一方面，本文要爬取信息并对文本进行分词处理，英文由标点符号、空格、单词组成，所以只用根据空格和标点符号便可将词语分开，进行处理时更为便捷和精确。
作为抽象信息的视觉表达手段，信息可视化可用于文档处理和数据挖掘。本文主要使用Python的Pandas数据分析软件包进行文献的可视化处理和可视化分析，为了符合科学的测量原理，使研究结论更加具有时间敏感性，首先需要进行数据清理。为了更形象、更直观地展现出人工智能在医药研发方面的发展趋势，将对本文年度发表文章数使用Matplotlib绘图库进行绘图分析。通过数据清洗后，分析年度相关发表论文量与发表文章数量趋势，见图1和图2。
通过以上可视化分析，可以清楚了解到人工智能在医药研发方面的研究发展趋势，与上文分析人工智能发展趋势基本一致，同时也能发现近5年人工智能在医药研发方面研究趋于减少乃至于停滞，亟须整个行业进一步投入以及寻找发展新活力。为了确认人工智能在医药研发重点应用领域，利用Python对爬取到的数据中关键词、摘要、研究点分析进行了系统的词频统计，见表1。
从上述表1关键词频可以直观看到，关键词词频数越大，说明该主题在人工智能医药研发方面中的关注度越高，研究越热。高频词中机器学习(MachineLearning)、药物研发(DrugDiscovery)、医疗保健(HealthCare)、数据库(Databases)、数据挖掘(Datamining)、数据分析(DataAnalysis)、数据可视化(DataVisualization)、数据交流(DataCommunication)、归纳逻辑编程(Inductivelogicprogramming)、癌症(Cancer)、神经网络(NeuralNetworks)、药物制剂(PharmaceuticalPreparations)、计算机科学(Computerscience)、医药制造业(PharmaceuticalIndustry)由于研究内容过于宽泛抑或与在医药研发方面的研究相关性不足所以被剔除。通过词频分析、清洗无关研究领域的词汇、综合近义词汇后最终确定了7个频次靠前的人工智能在医药研发重点研究领域:靶点药物研发(DrugTargetsDevelopment)、药物挖掘(DrugMining)、化合物筛选(CompoundScreening)、预测ADMET性质(PredicationofADMETProperties)、药物晶型预测(CrystalStructurePrediction)、病理生物学研究(Pathophysiology)、药物重定位/药物再利用(DrugＲepurposing)。人工智能的主要应用领域包括机器学习、进化计算、图像识别、自然语言处理、认知计算，7个频次靠前的人工智能在医药研发重点研究领域在这5个主要应用领域各有涉及，具体关系如图3所示。
2．1人工智能技术在医药研发的应用现状概述
2．1．1靶点药物研发
研究和开发新药的关键是寻找、确定和制备药物筛选目标分子药物靶点。靶点药物是指药物在体内的结合位点，包括生物大分子，比如基因座、受体、酶、离子通道和核酸等，而识别新的有效的药物靶点是新药开发的重中之重，因此发现和验证大量分子靶标所涉及的工作极大增加了药物开发的负担［13］。利用机器学习算法可以组合设计并评估编码的深层知识，从而可以完全应用于旧时的单目标药物发现项目［14］。研究人员首先研究了靶点选择性结合均衡小分子的可能性来确定那些最易于化学处理的靶点，对于双特异性小分子，设计过程类似于单一目标药物。关键的区别在于功效必须同时满足2个不同的目标。初创公司Exscientia是AI公司这方面的典型代表，Exscientia针对这些靶点药物通过AI药物研发平台为GSK公司的10个疾病靶点开发创新小分子药物，来发现临床候选药物［15］。Exscientia系统可以从每个设计周期的现有数据资源和实验数据中学习，这些原理近似于人类自我学习的过程，但AI在识别多种微妙和复杂的变化以平衡药效方面更具效率。Exscientia首席执行官霍普金斯表示，其人工智能系统已经可以用传统方法的1/4时间和成本得到新的候选药物［16］。目前，公司已与众多国际知名制药公司建立了战略合作关系，如Merck公司、Sunovion公司、Sanof公司、Evotec公司、强生公司。
2．1．2药物挖掘
医学、物理学或材料科学领域的专业论文非常广泛，但这些专业论文中有大量独立的专业知识和研究结果，快速且有针对性地组织和连接这些知识和发现的能力对于药物挖掘是极其重要的。使用人工智能可以从大量的科学论文、专利、临床试验信息和非结构化信息中生成有用的信息。通过自然语言处理算法的深度学习优化，分析和理解上下文信息，然后进一步学习、探索、创建和翻译它所学到的知识以产生独特结论。该技术通过寻找可能遗漏的连接使以前不可能的科学发现成为可能:可以自动提取药学与医学知识，找出相关关系并提出相应的候选药物，进一步筛选对某些疾病有效的分子结构，使科学家们能够更有效地开发新药。2016年BenevolentAI公司曾通过人工智能算法在1周内确定了5种假造药物，用于治疗肌萎缩侧索硬化。BenevolentAI使用AI算法建模来确认化合物对睡眠的潜在影响，这是解决帕金森病相关嗜睡症状的一大机会。该公司目前的药物研发产品组合表明，它可以将早期药物研发的时间缩短4年，并有可能在整个药物研发过程中将药物研发的平均效率提高60%［17］。
2．1．3化合物筛选
化合物筛选是指通过标准化实验方法从大量化合物或新化合物中选择对特定靶标具有较高活性的化合物方法，这样通常需要很长的时间和较多的成本，因为要从数万种化合物分子中选择与活性指数相匹配的化合物。Atomwise是硅谷的一家人工智能公司，开发了人工智能分子筛选(AIMS)项目，该项目计划通过分析每种疾病的数百万种化合物来加速拯救生命药物的开发。同时，该公司开发了基于卷积神经网络的AtomNet系统，该系统已经学习了大量的化学知识和研究数据。该系统分析化合物的构效关系，确定药物化学中的基本模块，并用于新药发现和新药风险评估。目前，AtomNet系统已经掌握了很多化学知识和研究资料，2015年AtomNet只用1周时间已经可以模拟2种有希望用于埃博拉病毒治疗的化合物［18］。
2．1．4预测ADMET性质
ADMET性质是衡量化合物成药性最重要的参考指标［19－20］，化合物ADMET预测是当代药物设计和药物筛选中十分重要的方法。药物的早期ADMET特性主要使用人或人源化组织功能蛋白作为药物靶点，体外研究技术结合计算机模拟研究药物与体内生物物理和生物化学屏障因子之间的相互作用。为了进一步提高ADMET性质预测的准确性，部分企业通过深度神经网络算法探索了结构特征(包括处理小分子和蛋白质结构)的有效提取，加快了药物的早期检测和筛选过程，并大大减少了研发投入和风险。典型的公司包括晶泰科技等［21］。
2．1．5药物晶型预测
多晶型现象是一种物质可以存在于2种或更多种不同晶体结构中的现象，对于化学药物，几乎所有固体药物都具有多态性。由于晶型的变化可以改变固体化学药物的许多物理性质和化学性质，因此存在几种由于晶型问题而导致上市失败的药物，因此，晶型预测在制药工业中具有重要意义。使用人工智能有效地动态配置药物晶型可以完全预测小分子药物的所有可能的晶型，与传统的药物晶型研发相比，制药公司不必担心缺少重要的晶型。此外，晶型预测技术大大缩短了晶体的发展周期，更有效地选择了合适的药物晶型，缩短了开发周期并且降低了成本［22］。
2．1．6病理生物学研究
病理生物学是一门研究疾病发生、发展和结果的规律和机制的科学。它是传播临床医学和基础医学的“桥梁”学科。病理生物学研究是医学研究和发展的基础。肌萎缩侧索硬化症(ALS，也称为渐冻症)是一种毁灭性的神经退行性疾病，确切的发病机制尚不清楚。ALS的突出病理特征是一些ＲNA结合蛋白(ＲBPs)在ALS中发生突变或异常分布。人类基因组中至少有1542个ＲBPs，并且仅发现了与ALS相关的17个ＲBPs。IBMWatson是认知计算系统和技术平台的杰出代表。IBMWatson基于相关文献中的广泛学习，构建模型以预测ＲBPs和ALS相关性。2013—2017年Watson对引起突变的4个ＲBPs进行了高度评价，证明了该模型的有效性，然后Watson筛选了基因组中的所有ＲBPs，成功鉴定了5个ALS中发生变化的新ＲBPs［23］。
2．1．7药物重定位
多年来，研究人员逐渐认识到，提高疗效的最佳策略是基于现有药物治疗某些疾病，发现新的适应证并用于治疗另一种疾病。Visanji博士与IBMWatsonforDrugDiscovery合作，使用Watson强大的文献阅读和认知推理技巧，在几分钟内筛选出3500种药物，并按最佳匹配顺序排列。然后研究人员根据这个“药物排名表”提出了6种候选药物，并在实验室进行了测试。第一种药物(已经得到FDA批准，但该适应证不包括帕金森病)已经在动物实验中初步验证［24］。
2．2人工智能技术
在医药研发方面国内发展现状我国在这方面起步相比于国外较晚，2015年百度公司和北京协和医院开展了癌症研究，结合北京协和医院医学研究优势与百度大数据、人工智能技术，找到了一个重要标志物用于早期诊断与中国大样本密切相关的食管癌，为食管癌提供早期筛查和诊断，为食管癌药物的开发提供靶标，这是中国医学研究和发展领域的重要一步［25］，这是我国人工智能在医药研发领域迈出的重要一步。
目前国内相关研究企业数量较少，仍处于起步状态。比较著名的企业有晶泰科技和深度智耀及冰州石生物技术公司。晶泰科技是谷歌与腾讯两大科技巨头共同投资的第一家人工智能公司，它也是中国第一家宣布与世界顶级制药公司进行战略合作的人工智能药物算法公司。该公司在过去严重依赖于实验和误差的一些药物研发步骤上使用药物晶型预测，以极其准确和快速的算法预测结果，帮助制药公司提高研发效率，最后加速药物开发。深度智耀是以人工智能为基础的药物研发和决策平台，以“决策大脑”为核心产品，同时公司已推出10款产品，并于近日发布了新一代人工智能药物合成系统，该系统通过大量学习公共专利和论文数据库，大大提高了科学家的工作效率［26－27］。
另外，深度智耀还推出智能化医学写作，是在自然语言处理等助力下，自动写作绝大多数药物注册类文档。冰洲石生物科技(AccutarBiotech)利用人工智能针对生物药进行药物筛选，已经利用人工智能平台进行了药物设计，其中一款药物针对乳腺癌，适用于乳腺癌常用药物tamoxifen后3～5年复发的患者，已经经过了细胞验证和初步小鼠动物实验，正在美国申请相关专利，并计划推进新药临床研究申请。
但人工智能在我国医药研发方面仍存在部分难点:
其一人才支持是一大问题，全世界大约有22000名具有博士或以上学历的人工智能从业者和研究人员，而在中国只有约600名。另外，国内人工智能人才几乎被几家主要的龙头企业所垄断。数据显示，未来中国人工智能人才缺口高达500万［28］。人才集中是任何行业进一步发展的重要基础，也是人工智能在医药行业应用的关键因素。
目前，人工智能与药学的融合提升了对人才的需求。目前，高校培训与市场需求存在差距，产出人才远远少于市场需求。国家要重视复合型人才的培养，注重培养综合人工智能理论、方法、技术、产品和应用的垂直复合型人才，以及掌握经济、社会、管理、药学的复合型人才。当地政府也需要进一步加强产学研合作，鼓励高校、科研院所和企业合作开展人工智能学科建设，开展创新型专业人才的继续教育，建立公平合理的人才评估机制。
其二，国内创新药研发起步较晚，与国外相比，对于优质数据的积累还有一定距离。但利好消息是某些国内企业比如晶泰科技，在数据积累上颇为优秀。晶泰科技的数据来源是公共数据和私有数据结合，这其中包括晶泰科技在国内外工业、学术界的合作伙伴的积累。同时，晶泰科技通过量化计算算法也可以自行生成大量高质量的数据，这是其一大优势。总体大环境上，中国的医药大数据存在数据不完整、数据质量低、数据共享水平低等问题，医药数据的数量和质量将成为制药行业人工智能发展的主要障碍。
制药行业的专业门槛很高，而且链条很长。此外，中国长期的“多头管理”制度也是导致国内药品数据极度分散的重要原因。此外，医药领域的监管政策和体制改革也很频繁，使得获得连接历史药物数据变得困难。这些都会导致医药数据统计在完整度和精准度上的不足，从而影响相关决策。因此，国家应该在原有的标准管理体系框架内，加强信息和标准的整合，加强国家、行业现有相关标准的普及推广，并出台一系列激励和惩罚措施来推动标准的应用和落地。建立一套有效、完备、真实可靠的数据评估体系，进一步提升数据质量。同时应该加快完善数据共享开放机制，发挥数据应用价值，为人工智能在医药行业应用提供有质有量的数据支撑。
其三，与当前人工智能在医药领域发展火热形成鲜明对比的是政策法规的制定相对滞后。国内目前尚未有人工智能在医药研发方面的立法，但它已经受到学术界和医药行业的关注。2018年1月6日，第一届全国“人工智慧与未来法治”研讨会在西北政法大学举行。
参会者认为，未来人工智能将不能单独提出提供人性化的法律服务，仍然需要人们完成一些辅助工作。展望未来，人工智能法律建设将涉及人格权、知识产权、财产权、侵权责任认定、法律主体地位等方面［29］。目前，人工智能创作的知识产权归属问题、人工智能研发人员法律权利和义务定义问题、人工智能可能需要监管等，都没有明确的法律法规规定［30］。缺乏法律支撑的人工智能在医药行业的前景并不明朗。为了解决以上问题，国家应该加强人工智能知识产权保护，当前许多应用由医院、科研院所、人工智能企业等多方联合开发，最终知识产权归属需要进行明确。另外，建立追溯体系，保证算法的透明，使人工智能的行为及决策全程处于监管之下，明确研发者、运营者和使用者各自的权利和义务是重中之重。
3
人工智能在医药研发中的应用总结
由大数据支撑的广泛互联、高度智能、开放互动和可持续发展的医药产业，是未来发展的趋势，借助人工智能技术推动医药产业发展具有重要意义。虽然人工智能技术在医药产业各专业领域已有较多的应用研究，但总体上还停留在初级研究阶段，在可靠性与准确性方面仍存在部分问题，离实际广泛应用尚有差距。但是，人工智能技术为医药研发带来了无限可能，还需众多医药产业相关人员与政府能够紧抓历史机遇，积极投入，深入开展相关研究工作。
参考文献
详见中国新药杂志2020年第29卷第17期
免责声明
我们尊重原创作品。选取的文章已明确注明来源和作者，版权归原作者所有，如涉及侵权或其他问题，请联系我们进行删除。
内容由凡默谷小编查阅文献选取，排版与编辑为原创。如转载，请尊重劳动成果，注明来源于凡默谷公众号。返回搜狐，查看更多
行业图谱——人工智能在药物发现与研发中的应用
「行业图谱系列」是清华大学国家金融研究院资本市场与公司金融研究中心基于科技成果转化研究的一项子课题，聚焦于科技成果这一核心要素，从技术链视角切入展开的研究项目。通过行业图谱的研究，既为科技成果转化提供了专业性知识体系支撑，也有助于指导城镇产业化发展布局、推动产业链融通创新、引导创业投资基金对“硬科技”的积极性及鼓励金融支持创新体系的建设。本报告为行业图谱的第一个系列——生物医药领域：人工智能在药物发现与研发中的应用。
药物发现和研发是制药企业和化学科学家的重要研究领域。人工智能和机器学习技术使制药领域实现了现代化。机器学习和深度学习算法已被应用于多肽合成、虚拟筛选、毒性预测、药物监测和释放、药效团建模、定量构效关系、药物重定位、多药理和生理活性等药物发现过程。
新药研发存在周期长、费用高和成功率低等特点，人工智能作为药物研发领域的一个热点方向，已被应用到药物研发的各个阶段。本研究从人工智能在药物发现与研发中的应用出发，剖析人工智能在药物发现与研发中的应用技术和方法流程，并探讨该领域下国内外的市场竞争情况和最新研究成果。
人工智能在药物发现与研发中的应用
人工智能（ArtificialIntelligence，AI），指的是计算机系统从输入或过去的数据中学习的能力。根据《人工智能：现代方法》中的讨论，人工智能有七种分类（图1-1）。
图1-1人工智能的分类
如图1-2所示，在新药研发中，第一步也是最重要的一步是确定与疾病病理生理学有关的适当靶点（如基因、蛋白质），然后找到可以干扰这些靶点的药物或类药物分子。人工智能的发展可以帮助提取这些大型生物医学数据集中存在的有用特征、模式和结构。在确定和验证了合适的靶点之后，下一步是寻找合适的药物或类药物分子，这些分子可以与靶点相互作用并引起所需的反应。在大数据时代，通过支配海量的大型化学数据库，协助寻找针对特定靶点的完美药物。
图1-2大数据在药物设计和发现中的应用
人工智能在药物发现与研发中的应用技术和方法流程
在新药研发过程中，常遇到的瓶颈问题有：①寻找合适的、具有生物活性的药物分子；②药物分子难以通过第二阶段临床试验和其他监管批准。利用基于人工智能的工具和技术，提升药物研发的效率，解决上述所面临的药物研发问题。为此，下面将详细介绍人工智能在药物发现与研发中的应用技术和方法流程，如图2-1所示。
图2-1人工智能在药物发现与研发中的应用
肽合成与小分子设计
多肽是一种由大约2至50个氨基酸组成的生物活性小链，由于它们具有跨越细胞屏障的能力并可以到达所需的靶点，因此越来越多地被用于治疗。深度学习于肽合成与小分子设计的应用概念图如图2-2所示。
图2-2人工智能在肽合成与小分子设计的应用
分子通路的鉴定与多重药理学
人工智能和最大似然算法在药物发现和开发中的重要成果之一是预测和估计疾病网络、药物—药物相互作用和药物—靶点关系的总体拓扑和动力学。如图2-3所示，数据库如DisGeNET、STRTCH、STRING分别被用于确定基因—疾病关联、药物—靶标关联和分子途径。
图2-3人工智能在分子通路的鉴定与多重药理学的应用
蛋白质折叠和蛋白质相互作用的预测
分析蛋白质—蛋白质相互作用（Protein-ProteinInteraction,PPI）对于药物开发和发现至关重要，如图2-4所示。比如使用贝叶斯网络（BayesianNetwork，BN）预测PPI，其本质是利用基因共表达、基因本体（GeneOntology，GO）和其他生物过程相似性，集成数据集产生精确的PPI网络。
图2-4人工智能在蛋白质折叠和蛋白质相互作用的预测
基于结构和基于配体的虚拟筛选
在药物设计和药物发现中，虚拟筛选（VirtualScreening，VS）是CADD的重要方法之一，是从化合物库中筛选出有前景的治疗化合物的有效方法（如图2-5所示），以针对目标筛选具有所需活性的化合物。
图2-5人工智能在药物虚拟筛选的应用
药物重定位
在新药研发中，先导化合物的筛选是至关重要的，人工智能在识别新的和潜在的先导化合物方面发挥着巨大的作用。在化学空间中有大约1.06亿个化学结构，他们来自不同的研究，如基因组研究、临床和临床前研究、体内分析和微阵列分析。利用机器学习模型，根据活性位点、结构和靶结合能力可以筛选出这些化学结构。
定量构效关系建模与药物再利用
在药物设计和开发中，研究化学结构和理化性质与生物活性之间的关系是至关重要的。定量构效关系（QuantitativeStructure-ActivityRelationship，QSAR）建模是一种计算方法，通过它可以在化学结构和生物活性之间建立定量的数学模型，并针对其他疾病情况进行重新定位（如图2-6所示）。
图2-6人工智能在定量构效关系建模与药物再利用的应用
化合物的作用方式和毒性预测
药物毒性是指化学分子由于化合物的作用方式或新陈代谢方式而对生物体产生的不利影响。如图2-7所示，人工智能可以预测药物分子与靶点结合和未结合时的效应，以及体内安全性分析。
图2-7人工智能在化合物的作用方式和毒性预测的应用
理化性质和生物活性的预测
众所周知，每一种化合物都与溶解度、分配系数、电离度、渗透系数等物理化学性质有关，这可能会阻碍化合物的药代动力学特性和药物靶向结合效率。因此，在设计新的药物分子时，必须考虑化合物的物理化学性质。为此，已经开发了不同的基于人工智能的工具来预测这些性质（如图2-8所示），包括分子指纹、SMILES格式、库仑矩阵（Coulombmatrices）和势能测量，这些都用于深度神经网络（DeepNeuralNetworks，DNN）训练阶段。
图2-8人工智能在理化性质和生物活性的预测的应用
药物剂量和给药效果的识别
给病人任何不适当剂量的药物都可能导致不良和致命的副作用，多年来，确定能够以最小毒副作用达到预期效果的药物的最佳剂量一直是一个挑战。随着人工智能的出现，许多研究人员正在借助ML和DL算法来确定合适的药物剂量，如图2-9所示。
图2-9人工智能在药物剂量和给药效果的识别应用
生物活性物质预测与药物释放监测
最近研究已经开发了多种在线工具来分析药物释放，以及选定的生物活性化合物作为载体的可行性，其概念图如图2-10所示。利用人工智能研究人员可以确定用于与疾病相关的特定靶点的生物活性化合物。
图2-10人工智能在生物活性物质预测与药物释放监测的应用
病毒疫苗的制备及抗体检测
由于数据量巨大，并且需要自动抽象特征学习，人工智能在疫苗发现领域有着重大贡献（图2-11）。COVID-19冠状病毒疾病疫苗的深度学习和机器学习模型主要集中在人工神经网络、梯度提升决策树和深度神经网络等预测算法模型中。
图2-11人工智能在病毒疫苗的制备及抗体检测的应用
人工智能在制药行业开发新药中的应用
最近对药物开发人工智能的大量投资意味着这些初创公司拥有开发技术的人力和资源。与医疗成像领域的人工智能相比，总投资已经增长了四倍多，尽管两个行业的初创企业数量相当。图3-1显示了基于人工智能的新药研发所需要的条件及关键性技术竞争点。
人工智能成为国际竞争的新焦点。针对基于人工智能的新药研发，企业必须把人工智能发展放在企业战略层面系统布局，打造竞争新优势、开拓市场新空间。
图3-1基于人工智能的新药研发所需要的条件及关键性技术竞争点
①数据质量：构建有效且可解释的药物发现模型的方法之一是使用与药物相关的实体来构建神经网络模型。
②算法设计：大多数研究中使用的低水平穷举对接算法在寻找具有局部最小值的受体—配体相互作用时遇到困难，导致高度的亲和力可变性。因此，对接算法的选择、算法结构的设计和评价标准的设置都需要系统地改进。
③临床试验：药物或疫苗开发与临床应用的计算工作之间的转化差距是计算生物学和医学领域的一个主要且被广泛认可的瓶颈。许多预测的药物和疫苗尚未进入临床试验。
④硬件设施：目前，云端和边缘设备在各种人工智能应用中通常是配合工作的，随着边缘设备能力不断增强，越来越多的计算工作负载将在边缘设备上执行。新型人工智能芯片主要包括神经形态芯片、近内存计算芯片等，目前仍处于探索研发阶段。
国际顶级医疗公司在人工智能新药研发的最新研究成果
全球已上市的制药企业见下表3-1，重点关注美国、德国、英国和中国。
表3-1全球已上市或进入临床的人工智能制药企业
国外相关技术早在2000年左右即开始进行院校的科技成果转化。相对而言，我国该领域的研发跟随国际，在新冠疫情之后研究团队开始增加，并注重成果转化的同步进行。基于中国国内院校学者的调研及文献报道，国内学者的研究重点同样集中在递送系统上，如表3-2所示：
表3-2AI制药中国学者定位
作者
朱雅姝清华大学国家金融研究院资本市场与公司金融研究中心高级研究专员
安砾清华大学五道口金融学院副教授、清华大学国家金融研究院资本市场与公司金融研究中心副主任
邮箱rccmcf@pbcsf.tsinghua.edu.cn
感谢资本市场与公司金融研究中心的实习生许喜远（清华大学医学院2022级博士生）对本报告的助研工作。
点击“阅读原文”获取报告全文
人工智能在医学生临床技能中的应用
人工智能在医学生临床技能中的应用时间：2023-05-1520:36:12
摘要：随着技术的不断发展，人工智能在医学诊疗方面的运用越来越广泛，文中阐述了目前人工智能发展的技术水平和特点，对人工智能在医学生临床技能教学中的应用进行了初步探讨，并对人工智能技术在医学教育中的发展前景作了展望。
关键词：人工智能；临床技能；应用
1人工智能在医学教育中的应用趋势
随着大数据、云计算和移动互联技术等新兴科学技术的日益成熟，国内外人工智能的研究和应用得到快速发展，人工智能越来越受到国内外学者和政府部门的重视。党中央与国务院相关部门先后了《“互联网＋”人工智能三年行动实施方案》（发改高技〔2016〕1078号）、《新一代人工智能发展规划》（国发〔2017〕35号）、《促进新一代人工智能产业发展三年行动计划（20182020年）》（工信部科〔2017〕315号）等文件，将我国人工智能发展提升到国家战略发展层面，并积极鼓励人工智能在医疗、健康领域中的应用，建立快速精准的智能医疗体系。2018年1月，国家自然科学基金委员增设“教育信息科学与技术”研究方向，并大力支持人工智能为代表的教育教学新技术、新学科的交叉研究，以创新的思维和方法破解教育领域的科学问题。人工智能已不再局限于计算机技术领域，正在快速渗透进社会行业的各个领域。由此可见，“人工智能＋医学教育”是历史潮流和时展的需要，作为每个医学教育工作者，必须正视新技术发展给医学教育带来的挑战和巨大机遇，重塑教育者角色，提升“数字素养”，更新信息化知识和教育理念，深度融合信息技术，从而引领医学教育进一步发展。
2目前人工智能的技术水平和特点
人工智能可分为弱人工智能（ArtificialNarrowIntelligence，ANI）、强人工智能（ArtificialGeneralIn－telligence，AGI）和超级智能（ArtificialSuperintelli－gence，ASI）。ANI尚不具备真正的智能，更多程度上是帮助人们完成某些任务的工具或助手。而AGI能够进行思考、计划、解决问题、抽象思维、理解复杂理念、快速学习和从经验中学习等操作，可以像人类一样独立思考和决策，达到或超过人类的智能水平。牛津哲学家、人工智能思想家Nick•Bostrom则把ASI定义为“在几乎所有领域都比最聪明的人类大脑都聪明很多，包括科学创新、通识和社交技能。”其思维可以进化成完全不同于人类的思维方式，“能力各方面可以是各方面都比人类强一点，也可以是各方面远超出人类万亿倍”。在弱人工智能研究阶段，人工智能技术研究主要体现在计算智能、感知智能、认知智能三个方面［3］。计算智能，即机器智能化存储及运算的能力；感知智能，即具有如同人类“听、说、看、认”的能力，主要涉及语音合成、语音识别、图像识别、多语种语音处理等技术；认知智能，即具有“理解、思考”能力，广泛应用于教育评测、知识服务、智能客服、机器翻译等领域。目前人工智能领域技术应用主要成果包括机器人、语言识别、图像识别、自然语言处理和专家系统等。在医学领域，人工智能的研究主要集中在深度学习算法、数据挖掘分析、智能影像识别、医疗信息化等方面。如IBM的Watson、Keith等开发的智能心率与宫缩描记图计算机辅助分析系统、美国Arterys公司的AI辅助心脏MRI成像系统、美国QViewMedical公司的基于神经网络的3D自动乳房超声筛查CAD系统和百度的医疗大脑等［4－5］。总的说来，主流研究主要集中在弱人工智能方面，并在这一领域取得了相当大的成果。强人工智能的研究还处于探索阶段，而超级智能仍处于概念辨析成形和研讨阶段。
3人工智能在临床技能培养中的应用和前景
3．1AI可用于辅助检查结果判读及分析能力的培养和学习
辅助检查是医务人员进行医疗活动、获得有关资料的方法之一，通过医疗检查、化验的图象、图形与数据进行分析与解释，确定检查结果的医学涵义，以获取相关临床资料，并结合病人实际作出判读和分析，以利于诊断、分析病情变化和进展、评估预后、提供治疗方案和指导等。辅助检查包括各种常见影像学检查、心电图、脑电图检查、病理学检查、常规实验室检查等。人工智能在医学图像识别方面目前已经有比较成熟的应用实例。通过较为成熟的算法和大数据应用，AI进行智能影像识别，通过对已有的图像快速学习，达到对医疗图片的自动判断，能够作为辅助工具，提高医生工作效率，并可以做到更加客观、高效和精准［6］。传统临床辅助检查结果分析判读无论是教学还是学生训练均存在教学内容零碎分散，牵涉教学人员复杂，涉及教师专业局限、无法有效、有组织地统一进行培养，所以往往对辅助检查结果有效判读和分析是临床技能教学的一大难点，也往往是薄弱环节。而AI的出现可通过学习管理软件，根据学生的个人进度，为每个学生绘制适合自己的学习路径，提供精准的个性化学习，有效检查医学生对各项临床常用实验室检查、影像学检查、心电图检查等结果的学习效果，从而帮助医学生提高综合分析能力和临床辅助检查结果判读能力。AI还可拓宽学生的学习空间和时间，起到临床教师无法胜任的全面性、客观性、实时性、准确性指导学习的作用。
3．2AI可用于医学生临床问诊能力的培养和训练
问诊是医师通过对患者或相关人员的系统询问获取病史资料，经过综合分析而作出临床判断的一种诊法。问诊对疾病的诊断及治疗、良好的医患关系的建立均有极其重要的作用。因此，问诊是每个医学生必须掌握的临床基本技能。运用AI对医学生进行问诊能力的训练可基于以下两方面进行：AI可作为问诊能力训练的示范性和辅助性助手，即扮演教师教学的角色，以实现临床医生的部分功能。以百度医疗大脑为代表的人工智能已可通过海量医疗数据、专业文献的采集与分析，模拟医生问诊流程，与患者多轮交流，在问诊过程中AI可以收集、汇总、分类、整理病人的症状描述，依据患者的症状，提醒医学生更多的诊断可能性和问诊的遗漏不足，辅助医学生完成问诊。这样对医学生问诊的条理性、层次性、全面性等方面的训练有着极大的提高。AI可通过智能化机器人模拟病人的方式，有望取代标准化病人（SP）或实际病人来实现对医学生临床问诊能力的培养和考核。随着人工智能的进一步发展，基于计算机视觉、人机交互技术、自然语言处理的深度学习算法的智能机器人将能很好地模拟病人的症状、表情、动作、语言；提供更为标准、规范、准确的病情模拟演示和交互对话。同时可以并通过摄像实时记录和呈现、回放问诊整个过程，通过其人工神经网络的学习，对问诊的各个环节、问诊内容、问诊技巧等具体项目进行评分等数据采集，继而通过大数据挖掘和云计算等技术发现和分析学生在问诊过程中的不足和缺陷，给出准确的评价和指导意见，从而实现对医学生的精准指导和培养。
3．3AI可作为临床技能实践训练的重要补充
人工智能通过集成个性化建模、社会仿真和知识表达，能够为学习提供随时随地的支持［7］。人工智能对于每一位医学生来说相当于一位“虚拟导师”，从而实现定制化、个性化、精准化的自适应学习。人工智能应用于医学临床技能培养将更加注重学习者自我导向、自我评估、团队合作等软技能的提升。人工智能通过数字化技术可为医学生提供更多教科书或教室的固定环境中无法参与的现场临床技能训练的机会。通过人工智能手段，可以全息定量化地虚拟还原现实，在虚拟的空间里，医学生可直接透视人体的细致解剖结构，并由医生进行操作和讲解。这种新模式突破了时间和空间的限制，提高了教学的质量和效率。例如清华大学医学院建立的“智慧现实虚拟临床教学中心”在国内率先开启了“人工智能＋现实虚拟”的临床教学培训新模式［8］。该模式将患者的CT、核磁等影像数据，经过人工智能系统处理，得到真实还原的全息化人体三维解剖结构并映射在虚拟空间里。医生可通过专用设施，在增强现实的虚拟空间里全方位直接观看到患者真实人体结构的解剖细节，并可通过手势和语音操作，实时进行器官和病变的立体几何分析，精确测量目标结构的区位、体积、径线、距离等参数，同时还可进行虚拟解剖作业、模拟手术切除、手术方案设计和手术风险评估。融合全息影像技术、3D打印技术、虚拟现实和虚拟仿真技术的人工智能将打造一个“人工智能＋全定量现实虚拟仿真”时代。如临床常用穿刺技术的训练可通过人工智能融合虚拟仿真穿刺设备在虚拟空间进行模拟仿真的操作训练。通过虚拟设备的接入，可将体格检查的训练如心肺触诊、听诊，腹部触诊在虚拟仿真环境中进行，人工智能可协助教师使用3D打印技术设计、构建3D打印的器官及模型，用于模型训练体查、病例讨论、器官病变解剖演示、临床过程演示如分娩过程等。
3．4AI可用于医学生临床思维能力与全面诊疗能力的培养和提高
人工智能可以通过模拟真实的临床环境，为学员提供一种能够自主学习、加强感官认知、易于操作的全方面的学习条件，比空间抽象的说教更具说服力，使医学教育更高效。如CMTT临床思维训练系统，其教学病例均来源于临床上真实的患者，涵盖了临床多个学科，可供训练、考核的病例数量达百余例。该系统在进行鉴别诊断时，还能够帮助医学生比较相似病症之间的区别和联系，训练实习医师临床决策思维能力，并根据病史及检查结果和诊断结论，给出治疗方案。医学生完成每一个病例，可对比标准病例进行自查和分析，也可反复学习，达到巩固提高的学习效果。该系统使思维综合训练与临床实践紧密结合，可有效培养医学生的医学思维及临床决策能力，提高临床教学质量，降低教学成本与风险，最大限度地满足临床综合诊疗能力培养和考核的教学需求。“临床辅助决策支持系统”是目前已投入使用的另一类型的培养医学生临床思维能力培养的人工智能系统。“临床辅助决策支持系统”是基于全球循证医学证据数据库和专家共识发展的临床知识数据库，内容覆盖上千种疾病和症状、1万多种诊断方法、3000余项诊断性检测、4000余项诊疗指南。为医学生在临床诊疗和学习过程中即时提供精准、可信并及时更新的诊疗知识，以帮助他们做出最佳诊断、优化治疗方案、改善患者预后。临床辅助决策支持系统可引导医生从症状出发建立诊断假设，指导医生提供证据（症状和检查）证明自己所选的诊断假设，直至最终确诊，可以有效防止误诊和漏诊。AI可有效地引导医学生建立起以循证医学为基础的临床思维，增强疾病诊治的科学性和有效性，从而建立起标准化的临床思路，符合正确的诊疗流程。可进一步根据诊断结果，提供相应的治疗方案给医生参考以提高医学生全面的诊疗能力。
4结语
随着时代的发展，技术的不断进步，人工智能技术与教育行业的融合发展正迅猛地推动着教育事业新的变革。人工智能在医学诊疗方面的应用越来越多，技术也越来越成熟，推动着医学诊疗和医学教学的进步。随着深度学习与神经网络的进一步完善与成熟，伴随互连型的、人工智能型的医疗大数据库的构建和完善，人工智能技术在医疗诊断与教学中的作用将会越来越突出，必将引领以“跨界、融合、创新”为特征的新时代医学教育信息化技术变革浪潮，从而为医学教育的发展提供广阔的机遇和发展空间。
作者：李熠匡双玉桂庆军尹凯钟慧游咏单位：南华大学