【JPM2018】人工智能，未来已来？ | 药明康德全球论坛实录

数据、人工智能、深度学习。它们究竟意味着什么？它们将如何改变新药发现和研发的未来？它们又将如何改变我们预测、预防、诊断和治疗疾病的方式？几位AI专家为我们分享了他们的独到观点。

本文转载自“药明康德”，原标题：未来已来？ | 药明康德全球论坛实录。

主持人：

David Beier博士，Bay City Capital董事总经理

嘉宾：

Jessica Mega博士，Verily Life Sciences首席医学官

Vijay Pande博士，Andreessen Horowitz合伙人

Atul Butte博士，加州大学旧金山分校（UCSF）计算健康科学研究所主任

Mickey Kertesz博士，Karius首席执行官

Alex Zhavoronkov博士，Insilico Medicine首席执行官

未来已来？

David Beier博士：大家好，这是我们今天的最后一场专题讨论。先请大家简单介绍一下自己，以及和人工智能相关的背景。

Atul Butte博士：我是加州大学旧金山分校的教授和计算健康科学研究所主任，也创办了一家用人工智能进行药物发现的公司。

Jessica Mega博士：我是一名心脏病学家，也是一名内科医生。之前，我加入了Google和Google X，和团队专注于医疗保健和生命科学的信息。如今，我们成立了叫做Verily的公司。我相信人工智能会是收集和组织信息的新方法。

Vijay Pande博士：我是Andreessen Horowitz合伙人，也是斯坦福大学的兼职教授。今天，我们来这里谈谈人工智能的挑战是什么，我们现在能做什么，以及我们将来能做什么。

Mickey Kertesz博士：感谢主办方邀请我参加这场讨论，我是Karius的首席执行官，我们致力于将基因组学应用于疾病诊断，使用下一代测序技术来确定每个病人的感染情况。我很高兴来到这里讨论人工智能和基因组学等重量级技术的潜力。

Alex Zhavoronkov先生：Insilico Medicine是一家大数据公司，专注于应用下一代人工智能，进行药物测试和药物发现。我的背景是计算机科学。

David Beier博士：感谢大家的介绍，我先说一个故事。19年零8个月前，我第一天上班时，我的副总裁问我，摩尔定律和基因组测序之间有怎样的关系，将如何降低医疗费用？当时我不知道他在说什么。20年来，我们看到测序成本在快速下降，甚至比摩尔定律下降更快。20年前没有人能够预测现在的情况，我们也无法准确预测20年之后会发生什么。今天，我们将请各位嘉宾勾勒出“精准健康”的未来蓝图。

▲基因组测序成本的降低速度要超过摩尔定律（图片来源：NIH）

Jessica Mega博士：我分享一下我的个人经验。17年前我对临床研究非常感兴趣。当时，我们知道在药物代谢方面，人与人之间可能完全不同。随着时间的推移，我们了解到基因组成会影响人对药物的响应。精准医疗开始于疾病相关的基因元件以及对药物的反应。这不仅仅是分子的组成，还有人体每天的生物学。精准医疗离不开这些广泛的数据集合，这是我们获得精准健康的唯一途径。

Atul Butte博士：我们将为病人定制医疗保健。想要达到这一目标，我们不仅需要考量生物学因素，还需要考虑行为上的因素。我们需要从广泛的人群收集数据，当你想要提供精准医疗、提供精准健康的时候，它是由数据驱动的。我们已经在医疗保健方面收集了大量临床试验数据，基因型数据、电子健康记录数据也正在呈指数级增长。我们期待的是一个数据驱动的时代，这样才有精准医疗，精准健康。我们能从数据中获得什么，这是人工智能帮助我们的地方。

David Beier博士：我们许多听众不是计算机专家，能否帮助我们用简单的语言了解一下，人工智能、增强智能、智能辅助都是什么意思？这些概念与机器学习、深层学习网络又有什么区别呢？

Vijay Pande博士：我们在这里讨论的关键问题是如何利用数据建立模型，进行预测。如果你画一个有X轴和Y轴的坐标系，并且在里面画一条直线，你就建立了一个用来预测的模型。当然，用于机器学习的模型远比一条直线复杂。我们要知道X轴和Y轴究竟代表什么含义，知道我们大致要画出什么样的图形，知道我们要输入怎样的数据，这样才能最终做出预测。生物学是一个非常复杂的领域，过去我们往往仅用生物标志物来建立模型，这过分简化了问题。现在我们已经对生物学有了更深层次的了解，也能更好地把人工智能技术应用于这个领域。

Mickey Kertesz博士：对我而言，人工智能的定义是在不断变化的。几年前光学字符识别（OCR）被看作是人工智能，但是现在大家已经不再这么认为了。同样的，几年前你会认为，语音控制Siri设定一个5分钟的计时器就是人工智能，然而现在这也只是Siri的一个功能而已。由于人工智能的定义随时都在改变，未来的任何事物都可能成为人工智能。但是当你掀开它的神秘外衣，就会发现这只是另外一个更先进的算法。随着我们获得的数据资源越来越丰富，我们的技术会更加进步，从而具备不用假设就可以获取洞见的能力。

就好比我们使用机器学习来解决一个问题。我们并不会花费太多时间来详细说明解决问题的原理，我们需要做的只是找到一个合适的示例，然后用机器和算法找出解决方案。我们不需要对问题进行描述，只需要利用大量的数据来找到所有符合的信号，这些信号有的可能很有意思，有的也许毫不相关，我们可以利用这些数据来产生所有的假设。

Alex Zhavoronkov博士：人工智能的定义非常广泛。现在每个人都在使用这个词语，所以它非常容易被滥用。眼下，所有和大数据以及大数据分析相关的东西都被称为人工智能。机器学习被看作广义人工智能的一个子集。深度学习驱使了人工智能的演变，让机器像人一样进行学习。我们也据此提出了NextGen AI的概念。同时，强化学习这一理论也出现了，像AlphaGo和AlphaGo Zero都是属于这一类。在这些新事物的推动下，人工智能正在迅猛发展。

David Beier博士：在座的嘉宾们能否举几个例子，来说明一下人工智能在当今医疗健康领域的地位，以及今后3 - 5年的发展？如果我们认为患者正在从人工智能中获益，那我们就必须要讨论一下人工智能在未来的潜力。

Atul Butte博士：在我看来，人工智能并不神秘，也并不是什么计算机的魔法。它只是一个个软件库和一行行写出来的代码。你可能会在新闻中看到，人工智能正在协助药物研发或者疾病的治疗，这些的确是真实发生的。但是这并不意味着我们会失业。现在看来，人工智能只是一些软件。

Jessica Mega博士：我完全同意。人工智能可以被用作解决问题的工具。目前我们正在研究获取视网膜图像的算法，让人工智能识别患者是否产生糖尿病视网膜病变。在这些方面，人工智能算法可以和眼科医生做的一样出色，甚至更好。这并不会让人们失去工作，相反，这可以让医生们扩大诊断的规模，并更好地专注于患者本身的健康。

Vijay Pande博士：人工智能能够通过检测血液中的DNA，在早期阶段发现癌症，这一技术已经达到了高度准确。本质上来说，人工智能是人们拥有的一项工具，其功能也在随着时间而不断改变。

Mickey Kertesz博士：在传染病领域的基因组学，人工智能就是一个工具箱，能分析成千上万的数据点。从中我们可以挑选一个参照基因组进行分析，设定基线，得出“这名患者的血液中有这类微生物”的结论。这些事情无法以任何其他方式完成。

Alex Zhavoronkov博士：世界上总有两种人：第一种人是怀疑论者，他们现在对人工智能持怀疑态度，放在过去则会怀疑苹果手机、怀疑互联网、怀疑飞机。另外一种人是超级乐观者，他们即使不从事人工智能方面的工作，也会过度夸大这项技术。除了这两种持极端态度的人群以外，还有一些人持中间态度。你需要做的其实是去验证，证明人工智能是有效的，这样才会有更多的人相信它。这就是我们公司正在做的事情。人工智能带来了很多有希望的结果，我们可以看到它，所以我们相信它。现在我们可以用人工智能来做很多事情，这在以前是完全不可能的。通过人工智能，我们可以很好地展现出创新性。

David Beier博士：人工智能公司是否可能在未来主导新药发现和研发？

Vijay Pande博士：人工智能公司和传统医药公司不一样的地方在于可作为的阶段不同。我们致力于挖掘数据，而传统医药公司能更好地使用我们提供的数据。我认为人工智能目前存在的最大挑战在于，如何获取数据来预测1期试验结果，或者在1期试验结果的基础上预测2期试验结果。解决这些问题能带来巨大的影响。

Mickey Kertesz博士：验证假设和进行预测是有差异的。如果基于算法的预测来暂停临床项目，和验证假设是完全不同的概念。这同样适用于疾病诊断。建立一个对于病人的诊断假设并去证实，和对于病人即将出现的症状进行预测，以便进行预先治疗，这需要完全不同的算法级别。

Alex Zhavoronkov博士：我认为未来充满着合作，IT公司和医药公司都不会在该领域占完全主导。没有医药公司的支持，我们无法完成药物研发。医药创新的过程可能不如人工智能来的快，但是一旦新技术发挥作用，它就会被迅速推广开来。我们要迎接充满合作可能的未来。

David Beier博士：能再聊聊数据的互通与分享吗？

Mickey Kertesz博士：我认为数据的互通和分享很重要。由于数据本身具有复杂性，研究机构和公司只能通过与其他丰富的数据源共享数据，才能达到新的发展阶段。所以我们需要用监管让所有人达成共识，从而建立起分享的平台。

Alex Zhavoronkov博士：当我们讨论患者相关的话题时，我们不应该只考虑数据的私密性。相反，我们应该考虑的是如何延长患者的生命，并且改善他们的健康状况。这就是我们提倡合作的原因。同样，拥有多样性也是极为重要的。以深度学习为例，如果只针对特定的人口群体，而忽视少数群体的话，就会产生偏差。这就是为什么在人工智能领域一定要鼓励分享和合作。

David Beier博士：现在患者面临的一个问题是，做基因检测的许多人并不真正了解DNA是什么，因为有很多人不懂科学。这个问题在我们给患者提供数据时最为明显。在现实世界中，人们如何能够更好地理解他们在医疗健康方面所做出的选择呢？

Atul Butte博士：患者获取数据的权利和理解数据的权利是截然不同的两回事。我有一个很爱用的比喻：我们都驾驶汽车，汽车的仪表盘上有一个端口，这是联邦法律规定要安装的。这时你车上的检查发动机指示灯亮了起来，有多少人会购买一个200美元的装置，来为你的车做一个诊断呢？很少。为什么你不愿意进行诊断呢？因为你会找人来修车，而修车的人会告诉你，你的车只是没有油了。如果我们连200美元来诊断一下自己的车都不愿意，那通过自我诊断来取代医生就更不可能了。这就是我们依旧从事医药行业的原因，现在还远没有到医生失业的阶段。

Vijay Pande博士：就刚才汽车的例子而言，有多少人会在检查发动机指示灯亮起之后不把车子马上送到修理厂呢？很多人都会这样。所以真正的问题在于，你感到不舒服，但是却不确定这种状况到底需不需要去看医生。我认为机器学习的一个优势和影响在于预防性药物，让人们在去看医生之前就得到症状上的缓解。

Alex Zhavoronkov博士：我们最近发表了一篇文章，其中提到教育人们提升对数据认知的最好方法，是让他们控制数据，并从数据中获益。我们和一家非常有名的区块链公司建立了合作关系，允许人们在安全的环境下交换数据。每一条数据都可以造福患者，甚至你上传的图像也可以告诉我们很多关于患者的信息。所以我们允许用户把数据放入区块链，并从中获益、学到东西。

David Beier博士：非常有趣。在未来的3-5年，在人工智能方面，什么东西对你来说最酷？

Atul Butte博士：在接下来的3-5年时间里，我会把我的时间用在一些看起来过时的东西上：电子医疗保健数据。我非常喜欢收集这些数据。就像我之前讲的，我们国家耗费数百万打造电子系统，进行这些数据的存储。这里面详实地记录了患者的医疗数据，已经足够完善。我们从原始的电子医疗保健数据中了解得越多越好——预测什么对患者有害，患有复杂疾病的患者需要采取哪些医疗步骤，为什么没有针对他们的临床试验。我想这会是人工智能将对电子数据所做的变革。

Jessica Mega博士：人工智能真正吸引我的是，它专注于研究不同的数据类型，而这些数据类型可能会存在于同一名患者身上。当你开始专注于研究电子医疗数据时，你不会去做很多生物学方面的假设。相反，你会利用工具建立特定的模型，对数据进行解读。你会发现，很多疾病的状态会发生变化。举个例子，我们现在所说的糖尿病，可能是一大类疾病的子集。人工智能可以用一种人类从未尝试过的角度对疾病进行解读，我认为这将改变对人类疾病的理解方式。

Vijay Pande博士：我认为一个有趣的应用在于研究衰老与长寿。在抗衰老领域，一直悬而不决的一个问题是，究竟哪里才是临床终点? 对心脏病来说，胆固醇水平就是其临床终点。我们希望利用人工智能技术来开发衰老相关的生物标记物，这会对医疗产生巨大影响。

Mickey Kertesz博士：我认为很酷的一个应用是不仅仅针对单一患者，而是针对更广泛的群体进行全部数据库的搜索和筛选。这就好像从前医生会使用同一种疗法为所有患者进行治疗，后来逐渐演变到对每位患者的个体化治疗，再到现在把多位患者看成同一个群体，从他们身上发现共同的特征。

Alex Zhavoronkov博士：在人工智能、区块链和新技术的带动下，我们要拥有雄心壮志，但也不要忘记脚踏实地，先取得一些小的成就。在人工智能和药物研发领域，我们可以首先在皮肤病学取得一些成就。我们也有关于衰老和长寿的项目，基于寿命寻找和长寿有关的特征。这些都是为了人们能够保持健康，预防疾病。在不久的将来，我们能很快看到成果。

End