高盛人工智慧生態報告：AI可解決藥物研發、醫保控費及醫生和醫院運行效率難題

2016年年底，美國高盛集團發布了一份長達99頁的重磅人工智慧報告：《人工智慧、機器學習和數據將推動未來生產力的發展》（AI, Machine Learning and Data Fuel the Future of Productivity）。

報告圍繞人工智慧，闡述了人工智慧的生態及未來，從醫療、農業、金融、零售業、能源業等領域描繪了人工智慧對其帶來的影響。報告認為，所謂AI，即是製造以人類智能的方式學習並解決問題的智能機器和計算機程序的科學工程。該領域包括自然語言處理與翻譯、視覺感知與模式識別，以及決策制定等。近年來，機器學習（Machine Learning, ML）和深度學習（Deep Learning, DL）的應用領域極速擴張，而數據、更快的硬體、更好的演算法則是推動人工智慧的進展的三大基石。下文中，動脈網（微信：vcbeat）為您節選了報告中關於人工智慧對醫療領域的影響，帶您一窺未來醫療的發展方向。報告指出，到2025年，醫療年均成本預計可節約540億美元。

機器學習在醫療領域中有廣泛的應用前景。醫療行業需要豐富且定義明確數據集，也需要隨時隨地對患者進行監督，而醫療結果也存在著極大的可變性。機器學習可為其中不少的子行業提供獲得高額回報的潛力，如藥物發現、測試分析、治療優化和患者監護等。隨著人工智慧和機器學習的不斷整合，人們將有望在新葯研發的過程中顯著地實現「去風險」，不但將節約每年約260億美元的研發成本，同時還將提高全球醫療信息領域的效率，節約的成本價值超過每年280億美元。

藥物發現與開發。在藥物開發過程中結合機器學習，有著提升開發效率的潛力。機器學習不但可以加速時間範圍，還可以提高到達後期試驗階段藥物的成功概率（probability of success, POS）。Medicxi Ventures的合伙人 David Grainger認為，錯誤發現率（False Discovery Rate, FDR）是一個統計學現象，而避免FDR則有可能將後期試驗階段的風險減半。此外，在藥物發現的早期階段中，現有虛擬篩選的方法名為「高通量篩選」，而它非常容易受到FDR的影響。如果可以將第3階段試驗的風險減半，就可以為大型製藥公司節約數十億美元的成本，影響其超過900億美元的研發經費並帶來有意義的回報，使其能夠騰出資源集中於尋找更有潛力的機會。

備註：虛擬篩選(virtualscreening，VS)也稱計算機篩選，即在進行生物活性篩選之前，利用計算機上的分子對接軟體模擬目標靶點與候選藥物之間的相互作用，計算兩者之間的親和力大小，以降低實際篩選化合物數目，同時提高先導化合物發現效率。

雖然與後期試驗相關的巨額費用往往側重於臨床試驗的設計元素，但我們認為，將AI/ML應用於優化後期階段在選擇標準、規模和研究長度等方面的決策，也可以實現有意義的效率提高。

醫生/醫院的效率。由於監管和分裂等原因，美國醫療體系在歷史上對新技術的採用一直十分緩慢。除了需要應對系統的挑戰，從藥物發現到醫生和診所將新葯應用於醫療實踐之間的過程往往十分漫長且沒有連續性。

美國市場研究諮詢機構透明市場研究(Transparency Market Research)公司的數據顯示，美國政府最近發布的一系列納入《美國復甦與再投資法案》的法令，已經推動了諸如電子健康記錄等領域的快速增長，全球市場預計將在2023年達到約300億美元。數據的聚合，不斷改進的數據捕獲技術，以及獨立醫院的不斷減少等，已經為數據的大規模利用創造了一個前所未有的機遇。這一切也將提高機器學習演算法和人工智慧的各項功能，以在醫療領域的各個方面改善速度、降低成本和提高精度。

總部設在倫敦的谷歌DeepMind正與英國國民健康服務(National Health Service, NHS)合作開發一款旨在監測腎臟疾病患者的APP，以及一個前身名為「患者搶救」、旨在支持診斷決策的平台。任何AI/ML系統的關鍵都是海量的數據，因此DeepMind和NHS達成了一個數據共享協議，NHS將為DeepMind提供動態的新數據流和歷史數據，以用於訓練DeepMind的演算法。只有有了海量的數據，才有可能對臨床數據進行實時分析。當然，如果DeepMind可以隨時有效獲取患者數據，它所能提供的見解將遠遠超出腎臟疾病的範圍。

藥物發現與開發。醫療領域的重要痛點之一，是藥物發現與開發的時間和成本。根據塔夫特藥物發展研究中心（ Tufts Center for the study of Drug Development ）的數據，一款新葯的面市從藥物發現到獲得FDA批准平均大約需要97個月。雖然對專業技術的持續聚焦可以幫助改善時間跨度，但新葯研發的成本卻仍在持續增加。德勤的數據顯示，自2010年以來，12家主要製藥公司的獲批藥物開發成本已經增加了33％，至約每年16億美元。

研發回報。生物製藥研發的生產力至今仍然是一個充滿爭議性的話題。開發一款成功藥物的成本持續增加，但由於報銷制度中的不利因素、患者量的降低和企業間的競爭等，新葯研發的收入回報環境也不容樂觀。雖然我們預計2010 - 2020年的研發回報相對與2000-2010年會有所提高，但實際上二者之間的變化微不足道。此外，影響研發回報最重要的不利因素之一在於那些失敗的研發產品，特別是那些已經達到後期試驗階段的藥物；這些藥物的成本每年估計就佔到了400億美元以上。

醫生/醫院的效率。醫療領域的一項特別挑戰，依然是醫生的醫療實踐明顯滯後於新葯和新治療方法的獲批。因此，許多醫療領域的機器學習和人工智慧專家正不斷鼓勵主要的醫療服務供應商，讓在其工作流程中融入現代的機器學習工具，以使其充分利用收集到的和已發表的海量醫療數據存儲。

機器學習和人工智慧可有望降低藥物發現和醫療實踐之間的時間差；與此同時，它們還能對治療進行優化。例如，從北美放射學會2009年對肝膽放射的研究可見，23％的第二意見會改變診斷結論，而這也是專註於醫學影像的機器學習公司有望能解決的領域。此外，那些致力於利用機器學習在基因組層面進行疾病判斷的公司，例如Deep Genomics等，正幫助供應商精確定位，以提供更有效和更有針對性的治療。

目前，藥物發現和開發業務是一個極為漫長的研究、測試和審批過程，持續的時間可達10年以上。據塔夫特藥物發展研究中心報道，一款藥物從第一階段推進到通過FDA審批，平均需要花費96.8個月的時間。新型治療方法的研發之所以是一個獨特的挑戰，不僅是因為它所需要的漫長時間，而且還由於整個開發過程中各個階段的POS都十分低。

藥物發現始於最初的目標確定。一旦確定目標後，人們通常利用高通量篩選（HTS）來「命中發現」。HTS成本十分昂貴，它由機器人自動完成，通過在同一時間進行數以百萬計的試驗，找出最有潛力達到目標的化合物，提高藥物發現的「命中」幾率。「命中」的結果經過優化成為導引化合物，然後再進一步深入優化，為進入臨床前藥物開發過程做好準備。當一款藥物在進入第一階段之前，這整個過程下來通常就需要1-3年，而它的POS卻僅僅為20%。

第一階段：重點為安全性；健康的志願者（POS 20％）。

第二階段：重點為有效性；有某種疾病或健康狀況的志願者（POS 40％）。

第三階段：進一步收集不同人群有關安全性和有效性、劑量和藥物聯用等的信息。志願者數量為幾百到數千名（POS 60％）

在醫療領域，完美利用機器學習和AI優勢的案例範圍很廣。在那些案例中，決策和/或預測不是由人的理解或直覺，而是由數據、且是由那些遠遠超出人類能力範疇的各種影響因素考量而驅動的。深度學習更是展示了其獨特的潛力，因為它可以利用在不同任務中學到的知識，來提高在其他任務中的績效。

減少發現失敗，增大POS。人們將大量資本投入巨大的機會成本中，來探索、研究新的治療方法，而在這一過程中，能達到第一階段試驗的成功概率（POS）大約只有20％。因此，迄今為止，學者們已經紛紛倡導利用AI/ML開發有效和準確的虛擬篩選方法，以取代昂貴且耗時的高通量篩選過程。

最近，谷歌和斯坦福的研究人員正致力於利用深度學習開發虛擬篩選技術，以取代或增強傳統的高通量篩選（HTS）過程，並提高篩選的速度和成功率。通過應用深度學習，研究人員能夠實現跨越多個靶點的眾多實驗的信息共享。正如Bharath Ramsundar等在其一篇機器學習相關的論文中所稱：

「我們的實驗表明，深層神經網路優於所有其他方法……尤其在於，深層神經網路大大超越了所有現有的商業解決方案。在許多靶點上，它都實現了接近完美的預測質量，使其尤其適合被用作虛擬篩選裝置。總之，深度學習提供了建立虛擬篩選並將其作為藥物設計管道中標準步驟的機會。」（Massively Multitask Networks for Drug Discovery，2015/2/6）

2012年,默克公司主持了一項由數據科學公司Kaggle發起的旨在確定虛擬篩選統計技術的挑戰。現在，Kaggle已經開始測試深度學習和AI的應用，並與AI藥物發現初創公司Atomwise開展合作。Atomwise最近利用AI技術，在不到一天的時間內對現有的7000多種藥物進行了分析測試，為尋找埃博拉病毒治療方案做出了貢獻。根據該公司的統計，如果利用傳統方法，這項分析需要花費數月甚至數年才能完成。

提高醫生/醫院效率。在改善診斷(Enlitic, DeepMind Health)、分析放射學結果(Zebra MedicalVision, Bay Labs)、基因組醫學(Deep Genomics)等領域，甚至利用AI治療抑鬱症、焦慮和PTSD（http://Ginger.io）等方面，我們已經看到了應用機器學習的一些早期成功範例。由於醫療數據數字化和數據聚合的不斷發展，醫療數據將變得更易於訪問。這使得AI/ML不僅可以削減與過程任務相關的成本，而且還可以利用演算法使得過去不相交的數據集互通，以改善醫療護理本身。最終，由於AI/ML能夠做出超出人類能力的因素考量，使得其可以幫助供應商以更高的效率進行診斷和治療。

藥物發現失敗的成本。根據我們的分析，通過實施機器學習和人工智慧，在以下情況人們有望將藥物開發與發現的相關風險減半：

·獲批藥物的平均年度開發成本為16億美元，其中包括與失敗藥物相關的成本（德勤）。

·失敗藥物的年度成本為300億美元，這筆資金完全可以平均分配給獲批的藥物群（德勤）。

2015年，FDA報告了60種獲批藥物。這意味著算上失敗藥物的研發成本，該年度每種獲批藥物的的成本約為6.98億美元，其中就有將近420億美元用在了失敗藥物上。我們認為，機器學習和人工智慧可以將新葯研發過程中的風險減半：到2025年，全球製藥行業每年即可節省約260億美元。

加速獲得轉型至電子健康記錄的收益。當前，僅在美國一地，醫療信息技術人員的年度薪酬就已達到約70億美元。根據BLS的數據，由於人口老齡化及政府向數字化轉型需求的推動，預計在2014-2024年，醫療信息技術人員的就業前景將實現大幅度提高：相較其他所有職業7％的增長率，此類職業的增長將達到令人咋舌的15%，遠遠高於平均水平。然而，考慮到這項職業中的許多工作任務很容易被自動化和軟體等替代，我們認為機器學習和AI有可能將取代幾乎所有這類工作。

BLS認為，醫療信息技術人員的任務是確保用於報銷和/或研究的患者醫療數據的質量、準確性、可訪問性和安全性，同時利用技術分析患者數據，以提高醫護質量和控制成本。醫療行業中AI/ML日益廣泛的應用，可能會對這類職業產生嚴重影響。根據人均醫療支出和全球支出份額估計，AI/ML有望在2025年在全球範圍內削減超過280億美元的年度成本。

綜上所述，機器學習和人工智慧可以節約藥物發現與開發的成本，提升POS，為供應商和醫療設施的效率增益，因此，它們有潛力大幅度地改變大型製藥公司以及整個醫療系統的前景。我們有理由相信，從長遠來看，機器學習和人工智慧技術必將激增，縮短研發時間，降低失敗藥物的損失，並使得藥物開發中的競爭加劇。

此外，效率增益和自動化可能會對一些醫療專業人員和公司造成一定的混亂，特別是在解釋醫療結果和診斷的人士與實際交付護理或執行手術的人士之間，例如放射科醫生、提供第二意見的專家以及行政或支持人員等。我們認為這種混亂將會長期存在，因為現在許多技術仍處於早期開發階段，並且採用這些技術的成本相對於其他改進機制可能稍顯過高。

採用的挑戰

雖然AI/ML在醫療領域的許多子領域均存在明顯的機遇，但技術採用的障礙仍然存在。

成本。實施AI/ML需要配備必要工具和能力，但它們的成本可能十分昂貴。特別是在醫療行業中，醫療成本仍然是大眾關注的焦點。為了確保ML演算法能很好地利用數據，人們需要有意義資本和專門技術，而光是確保擁有足夠的計算能力，就將花費不菲的金錢。

可解釋性。演算法需要梳理多個數據集，而這往往會生成一些所謂的黑盒。以前一直受到嚴格監管的醫療行業有可能因此會推遲AI/ML應用的發展。

人才。採用AI/ML技術的障礙也可能來自相關領域人才的聚合。2013年，Google支付了超過4億美元收購了DeepMind Technologies；而根據新聞報道，彼時該團隊的成員大概只有十幾個人。聚合這樣一群高級人才的難度以及由此產生的高昂成本可能會令人望而卻步。

數據。雖然美國政府已經頒布法令幫助實現電子健康記錄的數字化，但將普遍使用紙張的系統轉變為完全電子化的過程仍然存在挑戰。此外，雖然許多機構已經邁過了「有意義使用」的門檻，但是重要患者數據的碎片化和缺乏可獲得性仍然阻礙著改革的進一步發展。

以上觀點來自於高盛人工智慧報告：《人工智慧、機器學習和數據將推動未來生產力的發展》（AI, Machine Learning and Data Fuel the Future of Productivity）