自AI问世,遇见医学,注定了这场结合电光火石,势不可挡,而AI与医学并驰的这一路,究竟是势如破竹的快板还是道阻且长的行板呢?而我们是否又真正需要AI来为医疗领域带来深刻的变革?答案是肯定的。毕竟人类大脑目前看来仍受制于处理信息数量的能力,而当我们面对无论是来自浩瀚宇宙,或是人体基因组学,抑或是指尖随意触过的社交软件,其产生的数以千万计的数据,突破了迄今为止人脑所能即时处理的极限,而对AI来说,或许只是小菜一碟。更何况,对于人体这一设计精密复杂且迷人的出厂设置,记忆或许只是为了遗忘,从而防治自我锁定于成年累月的观察与经历中。不仅如此,在数据驱动之下,以器官为中心的传统医学模式将升级为更为高效的机械机制相关的以流程为中心的模式,这样人们不仅可以观察到人体内从分子到器官任意层面发生的变化,而且也能实现远程信号系统介导沟通下器官间的协同生长发育。举例来说,肠道微生物群产生的微生物代谢产物,如短链脂肪酸,被发现能够对肺生理和损伤反应产生影响。
那么,这一切将怎样发生呢?
2022年7月7日,欧洲杯竞猜平台临床研究中心有幸邀请来自英国剑桥大学计算机科学与技术系的Pietro Lio教授线上做客“聚菁荟萃“临床研究论坛,由他来告诉我们AI科学家究竟可以为临床医生创造什么。Lio教授不仅是AI领域的著名专家,而且在生物基因领域也深耕细作多年,用他自己的话来说:”Biology is the future AI.“
在临床中,患者总是关注疾病是否能被治愈、将会接受怎样的治疗等问题,在现阶段下,现有的治疗手段仍面临着一刀切的局面,即一个方案对应数个瘤种,然而单个瘤种对不同治疗方式的应答各不相同。是否能够对不同治疗方式的应答进行个体化预测呢?这就是多模态人工智能发挥作用的关键节点。Lio教授利用基于图神经网络的图表征(Graph Representation)方法构建数字化患者并将生理变量、临床变量、分子变量纳入考量。通过这个如同真实患者化身的数字化患者,不仅可以降低试验成本,而且基于数字化患者建构的转录组层、细胞层、器官层、暴露层这四个层面,通过neural graph ODEs的方法来确定患者不同的生理病理图表征。
Lio教授的讲座极具启发性和想象力。他提供了一种AI应用于医学的场景,即整合医疗场景下包括AI科学家、生物科学家、医疗团队、患者、政策制定者、器械生产商在内的各方智识并尽可能广泛纳入参与范围,将这幅拼图凑齐,而这个过程即是AI显现魔法的时机。魔法虽神奇,尽信书不如无书。正如Lio教授在讲座尾声所说:“All GNN models are wrong, but some are useful.“也正因此,我们的视角应专注于“这个模型是否适配这个应用” 而非“这个模型是否正确”。