前强生创新负责人：人工智能离创造价值还有多远？

▎药明康德报道

第七届药明康德全球论坛期间，在前强生创新全球负责人Robert Urban博士的主持下，多位聚焦未来的资深专家们共同探讨了在工具的帮助下，如何结合真实世界证据，打造属于未来的医疗健康行业。

日前，Robert Urban博士在其博客What's "In" Innovation上发布了一篇关于他对摩根大通医疗健康年会（JPM）的回顾的博文。在这篇博文中，他回顾了很多在主持药明康德全球论坛时的收获。在这篇文章中，我们将和读者分享他的洞见。

▲前强生创新全球负责人Robert Urban博士主持药明康德全球论坛Session IV: 塑造医疗行业的未来

有把握地谈论未来需要信心。出于商业考量，一些人通常会先精心准备一番法律术语，即所谓的“安全港”或前瞻性声明，以试图坦诚地告知我们对未来的不确定性。然而，一个无法想象的未来也是一个无法实现的未来。使人类变得与众不同的，正是我们预测未来的能力，或者至少是对预测未来的渴望。

每年的JPM会议都会集中探讨医疗健康行业的未来，今年1月的会议也是如此。对未来的预测有时并不可靠，比如（谢天谢地）实际下的雨比天气预报少得多。尽管如此，所有照常准备充分的生物技术公司的高管们都准备好了他们的雨伞，以防万一。

今年JPM期间，我有幸作为药明康德全球论坛一个专家讨论（session IV）的主持人，探讨了高级人工智能（AI）和机器学习（ML）有望在医疗健康领域发挥的作用。这非常精彩。

▲药明康德全球论坛Session IV现场

论坛开始时，药物研发行业的领导者们表达了他们对于AI/ML在新药发现过程中的内在局限性的担忧，这些内在局限性来源于算法训练上的系统性偏差。为了更详细地解释这个问题，我们的讨论最初聚焦于AI/ML的关键性原材料——数据，随后延伸到重点对机会主义数据集（opportunistic datasets）中的常见缺失的集中讨论。事实上，“现有的大数据”往往既没有足够的质量，也没有最佳的格式，来让AI或ML生成富有洞见的观察结果——当我们选择对数据质量作出妥协时，往往冒着巨大的风险。因为AI/ML能够在大量的多维数据集中检测到微小信号，这种超人类的能力使得它们在检测噪声方面具有同样的优势，从而导致误差。

即使在诸如人口基因组学的相对成熟的领域，我们也只是刚刚开始收集正确的数据，以支持大规模AI/ML产生洞见。临床前数据，临床数据和行为数据也是如此。在仔细收集的数据集之间建立规模、质量和连续性的工作才刚刚开始。

除了最近对改进数据收集的关注之外，数据分析方面也刚开始获得快速进展。部分是因为定制化硬件现在可以更轻松地处理图像数据。软件和算法，尤其是深度学习方法目前也在迅速发展，基准性能每天都在被不断超越。

这一专家讨论的中心是如何创造价值。AI/ML的应用有可能使药物开发更智能，可能使研发更高效或成本更低，使真实世界证据（real-world evidence）可以和其他行为、背景和治疗相关的信息相互关联——从而共同创造更有价值的医疗解决方案。

然而，我们目前所处的境况有些严峻。即使经过数十年的努力（没有任何AI/ML的帮助），没有任何证据表明开发创新疗法正在变得越来越快，而且失败率也没有降低。事实上，数据表明，在投资回报率方面，整个医疗行业的情况不容乐观。

这些AI/ML工具有用吗？现在下结论还为时尚早，但趋势令人鼓舞。正如许多新工具一样，还有许多尝试和错误等着我们。有些人在错误的数据上使用这些算法，然后得到不真实的推断，有些人在没有足够相关性和因果性的模型中使用算法。然而，变革性的进步似乎不可避免地会到来。使用专有数据集，然后填补这些数据之间的空白以促进纵向预测，并且将基因组学，个人信息和行为数据进行整合。这些改进将会让人工智能在长期干预或预防项目上做出最初的重要贡献。消除与旧的运作方式相关的成本（和步骤），不仅需要技术进步，还需要监管机构、政策等生态系统的变化。然而这些改变也很可能实现，因为越来越多的证据表明，建立在可靠数据集和可验证模型基础上的平台能够积累价值。

预测未来或许算不上明智之举。但我们有一定的把握（或者信心）认为，人工智能和机器学习终将对医疗健康带来实质性的贡献。除了对技术的盲目相信，我们还需要同样关注具有洞见的伦理，法规和政策。数据所有权，动态同意，隐私，安全性和数据使用报酬都将被证明与芯片组或人工智能/机器学习算法同等重要。AI/ML行业所要服务的这个世界希望能够他们的需求和个体化的利益能够被我们行业所理解。在不久的将来，对于那些使用个人健康和保健数据记录进行工作的人，他们需要赢得并尊重赋予他们的深厚信任。我们必须将希波克拉底誓言中的不伤害原则（do no harm）摆在首要且核心的位置。