本文转载自公众号“读芯术”(ID：AI_Discovery)
2020年圣诞节前，已有多种候选新冠疫苗获批使用或进入三期试验阶段。与疫情初期相比，我们检测和治疗新冠病毒的能力也大大提高。
人工智能在对抗新冠疫情中发挥了重大作用。虽然人工智能不是万能药，但可以帮助研究人员更快地从医疗数据中提取更有用的信息，从而加快疫苗研发进程，也有助于进行更有效的治疗。
后疫情时代中人工智能和医疗又会如何发展呢?人工智能在本次疫情中的应用证明其在分析医疗和临床数据中大有可为。
人工智能在新冠疫情中的应用
人工智能在抗击新冠中的贡献
在新冠疫情下，每天会产生数百万个十亿字节的数据，包括病人数据、胸部X光、CT扫描、验血结果、基因数据等等，人类研究员几乎无从下手。幸运的是，人工智能可以大批量处理数据，挖掘其中的规律，为研究员提供支持，加快病情诊断和治疗以及疫苗研发。
-
人工智能在新冠病毒确诊中的应用
麻省理工大学的研发人员开发出了一款机器学习模型，可以通过病人的咳嗽声来确诊其是否感染新冠，即便对无症状感染者也同样适用。鉴于无症状感染者可能传播病毒，该模型(可能会开发成一款APP)可能会减缓病毒传播。
从亚洲到北美，许多医疗专家也利用了机器学习和计算机视觉技术分析胸部X光和CT扫描结果，以此来诊断新冠。西北大学(NorthwesternUniversity)的研究员开发了一款名为DeepCOVID-XR的机器学习模型，可以通过分析患者的胸部X光片进行确诊，其速度比放射科医生快十倍，正确率也高6%。该模型基于17，002分胸部X光片进行训练，可快速筛查非新冠感染入院的患者。
-
疫苗研发
2020年12月，莫德纳(Moderna)公司的mRNA疫苗获批使用，为了更好地进行测试，公司利用机器学习来优化mRNA序列将其转化为分子。
据报道，莫德纳公司在其药物设计实验室中设计出了多种mRNA序列，然后利用机器学习对这些序列进行优化。这些序列进行优化后成为高质量的候选疫苗，并可能缩短疫苗研发的时间。
机器学习同样可能展现出疫苗需要改进的地方。麻省理工大学初步研究发现，类似于辉瑞(Pfizer)和莫德纳公司的疫苗在亚裔群体中的有效率可能会偏低。虽然在此方面还需要进行大量的研究，但利用机器学习能初步发现问题，给我们提供解决问题的时间。
-
分发经济援助
许多发展中国家利用人工智能向最需要救助的公民分发救助金。多哥训练了一个能够分析卫星图片和电话数据的机器学习模型，以此来确定极度贫困的地区，领导人会优先向这些地区进行财政援助。
-
开发药品，治疗新冠
世界上有四分之一的人口在2022年以前都无法接种新冠疫苗。在此期间，人工智能在推动药品研发治疗新冠中大有可为。非营利项目Covid Moonshot利用一个半监督深度学习模型从14,000种抗病毒药品中进行筛选。经过筛查，已有四种药物进入动物试验阶段。
后疫情时代：人工智能改变医疗
新型疾病早期预警系统仅仅是人工智能的一项应用。
-
疾病早期预警系统
对各国而言，尽早发现下一种重大疾病暴发是当务之急。若机器学习系统可以通过分析传统和替代数据源发现头绪，那我们就能在疾病爆发初期收到预警。
新冠疫情并没有打所有人一个措手不及。由人工智能驱动的健康监测平台BlueDot于2019年12月31日就提醒过其用户武汉爆发了传染病，比世界卫生组织发布通知早了整整9天。
BlueDot将机器学习和自然语言处理应用于65种语言的新闻报道、动植物疾病数据以及提示新冠疫情可能爆发的官方发布。BlueDot甚至通过分析机票数据正确预测除了病毒首次从武汉传播到曼谷、首尔、台北和东京的时间。
预计将来会出现更多基于人工智能的风险检测平台，公司、投资者和政府都愿意为此类技术掏腰包。像谷歌和彭博社这样的公司也很有可能会提供类似服务。
-
远程诊断
新冠疫情使医疗资源几近崩溃，因此医院和诊所应大力支持基于人工智能的远程诊断工具，以此来减轻医生的压力。本质上来看，医院将依靠计算机分析磁共振成像(MRI)、X射线、CT扫描甚至手机照片，以此进行诊断。
麻省理工研发的深度学习模型可以通过分析乳房X光片来预测乳腺癌的风险。该模型依据9万张乳房X光片进行了训练和测试，准确率比传统的筛选方法更高。
远程诊断适用于大多数可以通过医学图像进行诊断的情况。更重要的是，远程诊断工具可以让农村和低收入地区更多的人民进行高质量问诊。在新疾病殃及城镇和村庄之前，农村小型检测中心可以以更低的价格进行更快的诊断，收集数据。
-
依据临床数据提供建议
美国医疗系统每年产生约12亿份临床文件。其中大多数是非结构化文档(例如医生的手写笔记、图像)，其余则是半结构化文档(例如实验室检查结果、过程以及患者死亡时间)。
即使医生和护士采用电子格式，也有太多数据无法分类。初级护理医师每天最多可以花费6个小时处理电子健康记录。国际商用机器公司(IBM)中的华生团队(Watsonteam)研究发现，医师在每位患者的记录可能会都遗漏一个重要的问题。
人工智能可以帮助医生和护士提取重要的患者数据以及分析患者未来面对的医疗风险。若深度学习模型具备光学字符识别功能，那还可以对医生手写的便笺和医学图像进行数字化和标记，便于检索。自然语言处理和机器学习工具可以生成对患者情况的总结，突出患者问题并预测未来的医疗风险，如糖尿病或肾病。
但这做起来很难。依靠现成可靠数据，人工智能才能使给医疗机构提供临床决策支持。而不幸的是，临床数据可能是无组织的、孤立的或不完整的。在人工智能应用于医疗决策之前，必须进行数据整合、清洗和预处理。
-
加快药品研发
机器学习可以帮助设计具有目标疗效的化合物，以此减少药品研发成本并加快药物上市。研发新药品既困难又昂贵。研发一种药品可能需要10亿美元或更多的投资，却只有15%的上市可能。药物初期通常要分析多达1万种化合物，整个过程可能超过10年。
人工智能，特别是神经网络，可以缩短药物开发时间并降低成本。有一种特定的神经网络，生成对抗网络(GAN)，可用于设计具有新药所需疗效的化合物。
谷歌的DeepMind开发了一个名为AlphaFold的深度学习程序，用于确定蛋白质的3D形状。预测蛋白质结构可以了解特定疾病。比如，若研究人员知道蛋白质如何相互作用，那也就能明白药物化合物应具备什么样的特性，如此可以加快药品研发时间。
利用人工智能加快药物研发对挽救生命，增加企业利润具有重大意义。但是，这些技术中有许多是新技术，仍需要进一步研究，所以实验室关闭、科学家们失业还遥不可及。
-
改善医院运营
新冠疫情带来的深刻教训的教训之一是医疗资源可能崩溃。在新冠疫情的最初几个月中，主要城市的医院用尽了个人防护设备(包括口罩、手术衣)、呼吸机、甚至医院的病床也供不应求。
如果这一切都可以避免呢?具有基于人工智能的趋势分析和预测工具可以对新型疾病爆发发出提示，提醒医院准备病床。上文中的BlueDot示例对此进行了讨论。远程诊断可以更快发现疾病并提醒医院储备个人防护设备和人员。通过分析有关医疗物资使用情况的数据，库存预测模型可以订购物资，防止短缺。
即便在后疫情时代，人工智能也能改善医院运营、节省资金、减轻管理负担并加强患者护理。其中一种应用是利用机器学习优化病床分配。医院可以通过预测当前患者何时出院来更加合理地分配床位。这有助于确保床位容量，使医院能够更加确定地安排手术时间，减少不确定性和患者等待时间。
借助人工智能改善医院运营对各方来说都是共赢。在人工智能的辅助下，医院资源能得到更好的利用，保障工作人员数量，并降低由于床位不足而取消手术的比例。这样既可以提高患者体验，又可以增加医院收入。
人类和人工智
人工智能在改善患者护理、药品研发、医院运营和疾病追踪方面都有巨大的的潜力。利用人工智能相关工具的制药公司、医院和医疗技术提供商会获得更高的利润和更大的市场份额。
然而，这其中许多技术都是新技术，仍然需要进行研究以确保其可用性和安全性。技术应用也需要时间。医院、诊所和制药公司应确保数据够多，质量更好，这样才能使用人工智能工具。
在人工智能工具广泛应用的背景下，医疗人士和科学家仍也不能缺席。人工智能工具可能会基于医学图像进行诊断，但医生仍须给出治疗方案，让患者放心。深度学习项目可能会加快药品研发速度，但科学家仍须对结果进行再度审核。一旦出错，将会付出天大的代价。
最终，人工智能会加快处理速度并给人类提供灵感，但这必须与人类判断相结合，才能提升患者的治疗效果。医疗领域的未来是人类加人工智能，而不仅仅是人工智能。
