心讲座｜葛均波院士：人工智能在心血管领域的研究进展、挑战与展望人工智能在警务领域的主要应用包括

发表时间：2023-07-26 20:12:06

心讲座｜葛均波院士：人工智能在心血管领域的研究进展、挑战与展望

图2.陈韵岱教授团队房颤筛查管理研究

此外，人工智能也能够通过简单的常规检查发现重要疾病。多项研究显示，通过12导联心电图，经由深度神经网络分析，同样可以发现相关隐匿性疾病的存在，例如主动脉瓣狭窄、LVEF降低或收缩功能障碍、舒张功能障碍、肥厚型心肌病以及贫血。

北京阜外医院郑哲教授团队尝试通过面部9个部位特征预测冠心病的诊断，研究虽证实其具有一定相关性，但若想于临床开展应用，仍需有足够大的数据量，从而实现更为精确的诊断（图3）。

图3.郑哲教授团队研究设计与研究结果

风险预测

基于影像和临床大数据（定量、定性、组分）预测病变发生事件的可能性同样是未来人工智能应用的方向之一。以超声心动图为例，AI-ENHANCED研究（图4）结果显示人工智能决策支持算法可用于识别中度至重度主动脉瓣狭窄患者以及高危主动脉瓣狭窄患者，且能够筛查出传统定义中可能遗漏的高危患者。

图4.AI-超声心动图助力高危患者早筛

CONFIRM研究（图5）是一项国际多中心观察性注册研究，共入选10,030例疑似冠心病且接受CCTA的患者，结合患者CCTA后25项临床参数及44项CCTA参数，经机器深度学习后建模预测患者5年全因死亡率。该研究结果表明AI模型危险评估优于传统评分和CTA。

图5.CONFIRM研究五年随访结果

除影像组学外，蛋白质组学同样能够成为AI模型预测心血管事件的重要依据。欧洲前瞻性调查（EPIC）-诺福克人口研究（图6）入选了1,524例患者并检测其血中368种蛋白，结合年龄、性别、吸烟史、糖尿病、血压、血脂、BMI等参数，通过机器学习建模预测心血管事件，结果同样表明AI模型优于传统的危险因素预测模型。

图6.欧洲前瞻性调查（EPIC）-诺福克人口研究设计与结果

在2019年发表于EuroHeartJ的一项研究从2,654种蛋白中筛选出51种蛋白在CardShock队列中进行分析和验证（图7），最终确定四种蛋白作为最重要的生物标志物并构建新的死亡预测评分系统，而此类新生物标志物的出现，也将进一步提升预测的准确性。

图7.新生物标志物构建新死亡预测评分系统

诊断

诊断方面，加州大学伯克利分校团队在研究中纳入365,009位患者、992,748张心电图，训练深层神经网络识别5类38种ECG诊断，以多位专家的诊断共识作为参考标准，最终仅有3种诊断的准确性低于心脏病专家。这一结果也证实了心电图的自动分析与解读结果的可靠性。

人工智能在心血管介入中的应用

心血管介入治疗作为心血管领域中的重要环节之一，随着信息化技术的普及，同样涌现了诸多变化，无论是术前、术中或是术后，基于AI的自动分析诊断均为患者个体化、精准化治疗提供了引导。

术前：早筛早诊，提前预警

AI-ECG可基于AI完成全自动分析诊断，包括数据采集、云端上传、远程诊断及远程预测，并通过智能手表等可穿戴设备中的单导心电图实时预测心功能减弱。AI-basedCTA-FFR是一项无创的、基于CTA的计算FFR，能够通过功能学与结构学双模态诊断形式提升筛查精度，未来其也将有望成为介入导管室的“看门人”。

术中：精确诊断、手术规划

虚拟增强系统及临床决策管理系统的出现，为手术策略的制定以及诊断的精准性提供了一定保障。以基于AI的影像自动分析诊断为例，CCTA能够自动计算冠状动脉钙化评分，快速监测预测心血管事件风险；OCT影像则能够自动检测斑块侵蚀程度，且结果与术者人工识别意见一致，为临床提供了快速稳定的个性化治疗策略（图8）；2019年发表在JACC：CardiovascularIntervention上的一项研究也指出，基于IFR回撤曲线，AI算法能够自动判断需处理的病变段，研究纳入了1,008例pull-backcurve，对比了人工智能算法与专家分析结果，显示两者一致性高且重复性好（图9）。

图8.OCT影像能够自动检测斑块侵蚀程度

图9.AI算法能够自动判断需处理的病变段

除形态学分析以外，基于影像的计算冠脉生理学技术在临床中同样颇具优势，血管径向壁应变（RWS）是全球首个无耗材、基于一个体位冠脉造影评估稳定性的创新技术，患者仅需行冠脉造影检查，无需任何耗材、无额外创伤与副作用，流程快速，且能够大幅减轻患者经济负担，术者也可根据收缩过程中的应变情况完善斑块稳定性的评估。现有研究提示，RWS＞12%是预测轻度、重度狭窄病变发生AMI风险的独立预测因素，因此可考虑将这一阈值作为临床评估的重要参考依据（图10）。

图10.基于造影的斑块稳定性评估RWS

斑块光衰指数（IPA）技术是通过分析OCT光谱数据中所有的光学衰减情况，逐帧计算斑块光衰指数，实现斑块稳定性的定性与定量计算，且其检查结果不依赖于术者OCT读图经验，结果可重复。也正是在AI的全面优化之下，基于海量数据进行深度学习，使IPA计算可在数秒内完成，且算法精度不断提升（图11）。

图11.AI+IPA评估斑块稳定性

此前，葛均波院士团队成功完成了全国首例QFR/RWS+OCT/IPA术中指导PCI病例。

患者为46岁男性，曾于外院行冠脉CTA检查提示LAD近端非钙化斑块伴管腔重度狭窄。术前行冠脉造影提示左主干未见狭窄，LAD中段狭窄80%，近端及远端未见狭窄，第二对角支开口狭窄60%，RCA中段狭窄60%。为明确患者是否需要行介入治疗，测量QFR0.78、RWS18.5%，提示斑块稳定性差，OCT显示多处脂质斑块形成，最小管腔面积1.38mm2，斑块光衰指数IPA108，提示脂质含量较高。综合考虑后选择球囊扩张后于病变处植入一枚3*28mmXINSORB可降解支架，并行球囊后扩。术后造影显示支架扩张满意，测量QFR0.94，TIMI血流3级，OCT复查显示支架贴壁良好。本次手术的顺利完成也充分体现了AI优化下的基于影像的计算冠脉生理学技术在心血管介入治疗中的优势。

术后：智能化康复管理

术后康复涵盖康复随访与健康管理两大版块（图12）。在人工智能辅助下，患者将能够上传相关数据至云端，而医生也能够根据云端的健康报告为其制定个性化康复策略。而在健康管理方面，人工智能将能起到更多作用：第一，AI数据采集自动上传，患者接收康复报告，实现智能沟通；第二，接收智能化分析报告，制定个性化检查、用药方案等；第三，电子健康记录及数据管理，智能分析，拟定康复方案。综合而言，未来人工智能将能够从不同方面实现术后智能化康复管理。

图12.术后智能化康复管理

人工智能在心血管领域的挑战

虽然诸多研究均对AI在医学领域的应用予以了肯定，然而现实世界中AI的应用却出现了“水土不服”的症状。2018年有报道显示，谷歌AI在实验中优于眼科医生，然而2020年其在现实的应用中却意外受挫，其原因在于谷歌AI识别视网膜病变的模型在训练时就排除了低质量的数据，因此现实世界中低质量的数据不被识别，从而导致逾1/5的照片被数据模型拒绝、总体准确率降低。

除此之外，医疗领域AI研发还面临着诸多挑战：

网络、通讯、专业数据库等信息化建设基础不足；

医疗数据大而混乱，缺乏统一的治理、标注和验证标准；

训练数据偏倚导致模型的“偏见”，比如对某些亚组人群的预测准确率过低；

医疗行业壁垒高，十分缺乏既懂医疗又擅长AI的交叉人才；

工程师“闭门造车”，解决了技术问题，但未从解决临床问题出发；

研发的AI游离于诊疗流程之外，未与医学思维和路径充分整合。

网络、通讯、专业数据库等信息化建设基础不足；

医疗数据大而混乱，缺乏统一的治理、标注和验证标准；

训练数据偏倚导致模型的“偏见”，比如对某些亚组人群的预测准确率过低；

医疗行业壁垒高，十分缺乏既懂医疗又擅长AI的交叉人才；

工程师“闭门造车”，解决了技术问题，但未从解决临床问题出发；

研发的AI游离于诊疗流程之外，未与医学思维和路径充分整合。

人工智能在心血管领域的展望

未来已来，“人机合一”模式势必将是人工智能在心血管领域的下一步发展趋势：通过嵌入EMR系统，将信息整合于记录病历和下达医嘱的诊疗流程中，并实时抓取自动计算、完成算法推荐，在这一模式下医生更多的将承担一个审核者的角色。

但就目前我们能够做到的而言，可以充分利用模型对数据敏感性和特异性的不同，结合诊疗流程的特点，研发解决临床实际问题的AI系统（图13），实现影像自动分析AI初筛，提高工作效率。

图13.影像自动分析AI初筛提高效率

而在术前、术中及术后的各项环节中，也期望AI也能够融入不同临床场景，实现疾病预防、影像学精准筛查（CTA、超声心动图）、冠脉生理学诊断（QFR、UFR、OFR）、智能手术规划、手术机器人、随访数据管理及个体化患者教育等不同阶段的目标（图14）。

图14.AI在不同临床场景的应用

总而言之，未来心血管领域诊疗模式将借助心血管大数据云平台（图15），整合可穿戴设备、多模态影像、电子病历及生物标志物或多组学信息，并通过康复随访辅助系统、临床决策辅助系统以及介入影像自动分析及决策系统，帮助患者精准且个性化制定下一阶段的康复或诊疗策略；此外，大数据云平台也可为相关临床研究提供基础信息，助力大型研究的开展。

图15.未来心血管领域诊疗模式

总结

AI将提高我们对于疾病的认知并改变医疗模式，因此对于未来医学人才培养要求或也将有所改变。然而目前人工智能在医学领域中的应用尚处于起步阶段，其在执行某一特定任务时虽可达到“专家”水平，但并非全面的智能，因此可以预测未来医生+AI辅助的诊疗模式将超越传统的决策模式。AI主要优势在于疾病的筛查与诊断，未来若能实现嵌入诊疗流程，替代部分医生工作，将能够使医生从重复劳动中解放出来，使其能有更多的时间思考疑难病例、研究与创新，或是将时间更多的留给患者，实现人文关怀与沟通交流。

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。

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。

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。

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

大数据、云计算、人工智能在安防领域实现融合应用

近两年，平安城市、智能交通、雪亮工程等不断开展和深入过程中，以视频监控为核心代表的行业发展正朝着超高清、智能化和融合应用的方向迈进，系统性工程中现有视频监控系统数据采集量正在呈现线性增长，尤其是物联网建设初露峥嵘。海量数据的出现对高效、及时的存储和处理的要求不断提升，并冲击着传统的存储系统，遗憾的是原有的存储系统无法满足大数据时代提出的新要求，亟需新的存储技术支撑现有业务模式，同时为人工智能技术在安防领域施展拳脚拓展新的空间。

[[283737]]

毋庸置疑，人工智能必将是安防视频监控发展的未来方向。一方面是视频监控自身具备的特点，使其成为人工智能落脚的优秀试验场，另一方面也是视频监控智能化发展到今天的必然需求。从人工智能发展现状来看，能够真正在商业中应用落地的技术主要是深度学习在图像及语音方面的识别分析。由于借助机器视觉及深度学习能够迅速对视频进行结构化处理、对人、车、物进行快速识别比对，这也与安防对智能化的需求不谋而合。

安防进入了AI时代，激发潜在的安全需求，促进安防新技术、新产品的开发，实现新的应用模式和市场，同时大量的人工智能算法企业在安防领域施展拳脚，商汤科技、旷视科技、依图科技、云天励飞等等，都带来了针对安防行业应用级的产品及解决方案。与传统安防企业争夺AI时代下安防这块蛋糕。

人工智能技术是安防行业实现从非智能向智能转变的催化剂，打开了安防行业实现新的突破的天花板，当然，各个阵营的企业之间有竞争也有合作。

以云计算为例，云计算是观念创新产生的信息技术应用的新模式和新业态，资源配置的新观念。是新一代信息技术的主要标志。它通过虚拟化技术把分散、分布的资源虚拟为一个巨大共享的资源库，进行自动、智能、灵活的调度和调控。并依托互联网实现开放、分布、并行的多任务、网格化计算的商业化，这样就可以为用户提供"按需即取"的计算服务。

在安防行业，针对大规模和跨地域的系统性视频监控海量数据的存储中，选用云计算为基础的云存储促使其呈现更多的优势与特点。一方面简化存储及管理模式，能够完好地支持非结构化数据存储，通过智能化的处理方式，非结构化数据存储效率得到了大幅度的提升。另外，安防云存储以全集群化方式协同运行。通过负载均衡技术，可自动解决节点性能瓶颈与不均衡问题，同时可实现容量和性能动态扩容和增强;可实现单、多台节点故障，云存储服务不中断，全面保障系统性能稳定可靠。

大数据技术给安防行业带来翻天覆地的变化。大数据技术通过对不同种类的数据进行分析、碰撞、发现潜在联系，抽取中有价值的信息，并形成可视化结果呈现。例如人员分析应用，依托人工智能系统的人员特征识别服务输出的结果，进行数据分析，实现人员身份的识别、人员布防、人脸轨迹等功能。例如车辆分析应用，可以满足全地图操作，实现可视化的应用，包括：轨迹分析、跟车分析、碰撞分析、频次分析、套牌分析、隐匿车辆挖掘等功能。

在多资源时空应用中，可以基于GIS地图的指挥调度，通过地理信息系统实现对各项视频资源进行一体化管理，实现监控图像的直观可视化应用。实现快速调取需要关注的监控点或监控区域图像，实现目标在线追踪。通过视频图层叠加、视频资源搜索和视频定位，将道路情况、资源分布情况、人员分布情况、地理坐标信息、警力部署情况以图形化的形式展示出来，直观的对全局信息进行全面多维的展示，使指挥调度更加直观高效。

随着大数据、人工智能等技术在安防领域落地应用，给公共安全管理带来极大的便利，一方面取代原有人工的低效率，另一方面，可以实现安防技术在更多领域的应用，提高其应用价值，尤其是在社会治理方面，融合各项前沿技术，实现安防产品技术在社会治理领域落地。

心讲座｜葛均波院士：人工智能在心血管领域的研究进展、挑战与展望 人工智能在警务领域的主要应用包括