精准医疗新时代：生成式人工智能将产生颠覆性影响

精准医疗新时代 生成式人工智能将产生颠覆性影响 kpmg.com/cn 前言 精准医疗代表着医疗健康和生命科学领域业务模式的范式转变，旨在为个体患者提供量身定制的防治策略。在这一重要临床学科不断发展的过程中，人工智能，尤其是生成式人工智能，很可能将成为其创新基石和推进动力。 当前，人工智能在患者风险评估、筛查和诊断中的应用正取得前所未有的进展。然而，我们认为，人工智能驱动的治疗决策潜藏着更多机遇。医疗健康服务提供商和辅助技术专家（如数据科学家、机器学习工程师等）可以使用人工智能分析复杂的数据特征，确定最佳的患者治疗方式，预测治疗反应，并提供个性化的医疗健康服务体验。 在运营方面，人工智能对于增强基于研究和临床的医疗健康服务运营潜力巨大。但也面临着一些有待解决的挑战，包括保护数据隐私、管理道德影响、获得监管批准以及保障基础设施投资等。此外，还需通过扎实的验证研究，建立医疗健康专家和患者对人工智能的可靠性和透明度的信任。 本文深入探讨了目前人工智能对精准医疗领域的作用。针对有碍在更大范围内应用人工智能的问题，通过例证案例探究了潜在的以新兴学习模型为基础，以人工智能为驱动的解决方案。我们认为，在构建强大、可扩展和能有效保护隐私的精准医疗生态系统中，联邦学习将发挥尤其关键的作用。 员。版权所有，不得转载。 ©行政20区24合毕伙马制威事华务振所会，计及师毕事马务威所会(特计殊师普事通务合所伙—)香—港中特国别合行伙政制区会合计伙师制事事务务所所，，毕均马是威与企毕业马咨威询国(中际国有)限有公限司公(英司国—私中营国担有保限有责限任公公司司)相，关毕联马的威独会立计成师员事所务全所球—组澳织门中特的别成 精准医疗新时代2 当发前展人过工程智中能的在应精用准情医况疗 生物标志物的识别和理解对精准医疗（例如基因组学2、蛋白质组学和代谢 至关重要，因为它们是生物过程、疾组学）的能力。这些技术有助于阐明 病状态和治疗干预反应的可测量指标。其重要性在精准医疗的方方面面都得以体现，能够左右与疾病诊断、预后、患者分层、治疗选择、药物开发、治疗监测和疾病预防相关的决策。 人工智能（1包括机器学习和深度学习/ 疾病发展变化背后的分子途径、遗传变异和生物过程。 3 这种洞察能为精准医疗的各个方面提供支持，从识别新的候选生物标志物，到基于个体独特分子特征制定个性化治疗计划等（参见第10页对ArteraAI的 神经网络）显著增强了生物制药行业 介绍）。 处理和分析大量复杂的多组学数据 Care?）《关节成形外科杂志》（TheJournalofArthroplasty）第8期第33卷，AAHKS研讨会,ScienceDirect,2018年7月19日 1资Int料el来lig源en：ceS,teMfacnhoinAe.BLienai医rn学ing博,D士e，ep“L人ea工rn智in能g,、an机d器Co学g习nit、iv深eC度o学m习pu和tin认g知:W计h算at：Do这T些he意s味e着Te什rm么s？Me它a们na将n如dH何o影w响W医ill疗Th健e康yI领m域pa？ct”H（eaAltrhtificial 2资（料Ar来tif源ici：aliMnatettllhigiaesnMceanfonr、pCrohtaenocmhiaclsKaunmdabr、iomWaernk-eFredngisZcoevnegr和y）Ma，x《im细ili胞an系T统.S》tra第u8s期s，第“1用2卷于观识点别文蛋章白，质S组ci学en和ce生D物ire标ct志，物20的21人年工8智月能18”日 3同上 员。版权所有，不得转载。 ©行政20区24合毕伙马制威事华务振所会，计及师毕事马务威所会(特计殊师普事通务合所伙—)香—港中特国别合行伙政制区会合计伙师制事事务务所所，，毕均马是威与企毕业马咨威询国(中际国有)限有公限司公(英司国—私中营国担有保限有责限任公公司司)相，关毕联马的威独会立计成师员事所务全所球—组澳织门中特的别成 精准医疗新时代3 目前，将人工智能成果和模4型用于解决精准医疗领域挑战已经取得了稳步的进展，包括较常见5的基于监督学习的机器学习模型（其中 深入探究不同类型的人工智能模型 各数据点都有相关标签），以及最近的生成式模型，如生成式对抗性网络和变分自动编码器（图1）。这些技术具有独特的能力，能 够在数据缺失的情况下使用，并解析复杂数据，以助力生物标志物识别、患者分层和药物再利用等领域。 图1：生成式模型的优点 机器能执行“智能”任务，包括算法开发、计算机编程和机器学习模型等 机器能在没有明确编程的情况下自动学习并根据经验进行改进 利用人工神经网络基于复杂数据进行预测和决策 人工智能机器学习 深度学习 生成式人工智能模型的优点 数据增强：能创建合成数据以扩大训练数据集、缩短模型训练时间并提高模型质量 医学研究：生物过程模拟能帮助医学专业人士了解疾病机制，为推进治疗铺平道路 视频和图像处理：视频和图像增强和处理能帮助医生基于医学图像进行疾病诊断 数据匿名化：在某些需要保密的情况下，能生成合成数据以保障数据隐私 4a资nd料H来o源w：WilSltTehfaenyoImA.pBaicntiH医e学al博th士Ca，re“?）人《工关智节能成、形机外器科学杂习志、》深（度学Th习eJ和o认ur知na计lo算f：Ar这thr些op意la味st着y）什第么8？期它第们33将卷如，何A影AH响K医S研疗讨健会康,领Sc域ie？nc”eD（irAerctti,fi2c0ia1l8I年nt7e月llig1e9n日ce,MachineLearning,DeepLearning,andCognitiveComputing:WhatDoTheseTermsMean 5资料来源：BilalAhmad、JunSun、QiYou、VasilePalade和ZhongjieMao，“综合利用变分自动编码器和生成式对抗性网络进行脑肿瘤分类”，《生物医学》第8期第12卷，MDPI，2022年1月21日 中的应用 人工智能在患者精准医疗 人工智能技术的发展提高了精准医疗领域的效率，使医疗专业人士得以进一步利用先进的预测性建模和决策辅助工具协助制定个性化治疗策略。精准医疗过程可分解为一系列步骤，这些步骤对应于患者旅程中的关键节点，各节点均可能通过人工智能加以优化（图2）。 风险评估 筛查 诊断 分期与预后 治疗选择 监测 阶段描述 图2：精准医疗中患者旅程的各个阶段都可能可以利用人工智能进行优化6 根据个体遗传和其他 根据预定节奏进行测 通过个体生物标志物 通过个体预后生物标 使用多组学数据以及 通过个体生物标志物 生物标志物数据、临床发现和环境因素评 试，以助早期疾病识别 和其他独特数据提高疾病诊断的准确性 志物评估疾病进展、严重程度、态势和复 病史、社会因素和环境动态定制治疗方案 数据监测治疗的安全性、副作用和反应 估患者风险 发风险 通过基因型数据预测表型表达，并通过图 通过基于图像分析和临床数据的神经网络 通过快速全基因组测序和自然语言处理表 通过血液检查、成像和电子健康记录数据 使用活检图像、生物标志物测试和临床数 使用基于多变量、单核苷酸多态性的模型 像分析评估疾病风险 建模，提供量身定制 型，加快新生儿基因 分析，更快、更准确 据等多模式分析更好 预测化疗毒性风险 的筛查方案和频率建议 变异分析和致病变异鉴定 地预测新冠的预后和严重程度 地预测治疗反应 人工智能影响举例 此处为部分影响举例。 6资料来源：毕马威内部分析 利用统计基因组学和机器学习预测乳腺癌和卵巢癌风险 生物医学研究所和基因组调控中心之间通过合作确定了42种遗传基因，这些基因会使个体容易产 生更多突变。这些突变会导致较高的癌症发生率，特别是乳腺癌和卵巢癌。研究人员使用统计基 因组学和被称为“自动编码器”神经网络的机器学习模型，在复杂数据（特别是来自欧洲癌症患 者的11,000个基因组序列）中挖掘特征，将某些基因与表明癌症风险增加的特定体细胞突变联系 起来。 资料来源：FranSupek博士和NahiaBarberia，“新研究中详述的增加癌症突变可能性的遗传因素”（Hereditaryfactorsthatincrease thelikelihoodofcancermutationsdetailedinnewstudy），科学新闻，生物医学研究所（IRB），巴塞罗那，2022年7月5日 利用人工智能和影像学预测肺癌风险 哈佛医学院的研究人员和麻省理工学院的研究人员在马萨诸塞州总医院开展了一项合作，研究如何建立一个 深度学习模型，以便在无需额外提供人口统计学或临床数据的情况下，评估肺部扫描影像并预测个人风险。 哈佛大学/麻省理工学院的团队使用三组低剂量计算机断层扫描（LDCT扫描）数据、来自“美国国家肺癌筛 念医院的12,280个LDCT扫描数据（包括一系列吸烟者和非吸烟者），训练了一个3D卷积神经网络架构。在 查试验”参与者的6,282个LDCT扫描数据、来自马萨诸塞州总医院的8,821个LDCT扫描数据以及来自长庚纪 准确预测吸烟者和非吸烟者未来的肺癌风险。 几家大型医疗健康企业和投资者的资助下，他们的模型Sybil已被证明可以通过单次低剂量计算机断层扫描 Bourgouin、PuiYeeChan、SofianeMrah、WaelAmayri、Yu-HsiangJuan、Cheng-TaYang、Yung-LiangWan、GiginLin、LeciaV. 资料来源：PeterG.Mikhael、JeremyWohlwend、AdamYala、LudvigKarstens、JustinXiang、AngeloK.Takigami、PatrickP. Sequist、FlorianJ.Fintelmann和ReginaBarzilay，“Sybil：经验证可通过单次低剂量胸部计算机断层扫描预测未来肺癌风险的深度学 Tomography），《临床肿瘤杂志》第12期第41卷，期刊列表，2023年1月12日 习模型”（Sybil:AValidatedDeepLearningModeltoPredictFutureLungCancerRiskFromaSingleLow-DoseChestComputed 阶段1：风险评估 风险评估用例： 传统上，精准医疗的风险评估侧重于利用易感性生物标志物测试、基因组数据、内部扫描和其他数据来辅助传统临床和风险因素评估。由于生物学数据和基因型-表型关联的复杂性，制定强有力的风险评估方案一向颇具挑战。 人工智能可通过有效解释大量遗传信息和预测基因表达来帮助应对这一挑战。对基因组变异及其与疾病表现、成功治疗和预后之间的联系的进一步了解，有助于更好地评估患者风险。请参考右边的第一个用例。 人工智能还被用于加强风险评估，而非仅用于解释基因组学或其他生物标志物。请参考第二个用例，以了解如何使用图像数据来训练风险评估模型。 癌症诊断焦点 监督机器学习和深度学习算法可通过以下方式帮助评估遗传性癌症风险： •分析大量基因数据并识别高危基因 •根据基因图谱对患者进行分层 •通过人工智能决策支持工具辅助临床决策 阶段2：筛查 传统精准医疗筛查包括基于预定的时间间隔对高危患者进行检测，以进行早期疾病识别。 当前，人工智能正通过各种方式辅助筛查，特别是通过提高医学成像的准确性和效率。人工智能算法，尤其是卷积神经网络等深度学习技术，在分析医学图像（如乳房X光检查、计算机断层扫描（CT）和磁共振成像（MRI）扫描）方面显示出光明的前景，可有助于检测癌症的早期迹象（如肿瘤、异常组织生长等）。 例如，麻省理工学院和马萨诸塞州总医院联合开发了一个名为“Mirai”的深度学习模型，该模型可以使用乳房X光检查数据提前五年预测潜在的乳腺癌患者。Mirai接受了马萨诸塞州总医院超过200,00