深度醫療(Deep Medicine)是近年很夯的詞彙，其結合了人工智慧(AI)、大數據、物聯網等科技，藉此改善醫療品質。例如：利用AI 分析找出病因；AI輔助新藥開發，縮短新藥篩選時間，加速藥物開發；AI 結合穿戴式裝置，偵測出「無症狀」心房震顫的病人，預防可能引發的中風等。美國克里夫蘭勒納醫學院(Lerner College of Medicine)創始人、美國著名心臟科權威醫師Eric Topol 所撰寫的《AI 醫療 DEEP MEDICINE》，揭示了為何醫療場域迫切需要導入AI？

作者/Eric Topol    責任編輯/劉端雅

AI 分析威力  找出新生嬰兒癲癇病病因

醫學遺傳學家Stephen Kingsmore，在聖地牙哥的兒童醫院(Rady Children's Hospital)主持一項前瞻計畫，應用AI拯救了一名罹患罕見疾病的嬰兒。

這位喝母乳的健康新生兒在出生第三天後回家，出現不斷癲癇的症狀，即所謂的癲癇重積狀態 (Status Epilepticus)。醫生找不到感染跡象，大腦斷層掃描結果也很正常，但腦波圖卻顯示出持續癲癇不止的電子訊號。

各種強效藥物都無法減緩癲癇，而且讓狀況更惡化。醫生判斷此病的預後──不管是對嬰兒的腦部損害或死亡的可能性都很不樂觀。

接著，嬰兒的血液樣本被送到 Rady基因組學院做快速全基因組定序。Kingsmore和團隊僅用 19.5 小時完成了基因組完整定序及解讀，破了金氏世界紀錄。

基因組序列包含 125 GB 的資料，當中顯示這名嬰兒的基因組與大多數人的基因組有近 500 萬處差異。Rady醫院使用稱為『自然語言處理』(Natural Language Processing， NLP)的 AI 技術，只花 20 秒就讀完男嬰的電子醫療檔案，找出 88 個表現型，幾乎比醫生用問題列表做出結論的速度快上 20倍。

然後，機器學習(Machine Learning)演算法很快檢視過約500萬個突變基因，從中篩選出大約 70 萬個罕見突變基因。AI 透過既有文獻得知，當中的 962個罕見突變基因會引發疾病。

AI系統結合這些資訊和男嬰的表現型資料，鎖定一個叫ALDH7A1的基因最有可能是癲癇病因。這種基因突變極為罕見，只發生在不到 0.01% 的人身上，會導致新陳代謝缺陷並引發癲癇。

經過治療和飲食調整後，男嬰的癲癇停止，並在36小時後出院回家。在後續追蹤中也顯示完全健康，毫無腦部受損或發展遲緩的跡象。

男嬰的性命之所以能得救，關鍵就在於成功找出病因。現今很少醫院會對新生嬰兒做基因組定序，並動用 AI 把病患的一切背景資料跟他們的基因組整合起來。經驗豐富的醫生或許最後也能找到正確的治療方式，但機器在這方面做得比人類更快更好。

使用對抗式生成網路 協助開發藥物

成功辨識並驗證新的候選藥物是生物醫學最大且最昂貴的挑戰。由於耗資甚鉅，失敗風險也高，因此任何有望減少藥物研發費用或難度的技術，業界都樂於迅速採用。

英科智能(Insilico Medicine)目前致力於癌症藥物開發，已從公共資料庫中篩選出超過 7,200 萬種化合物。他們使用了一對對抗式生成網路(Generative Adversarial Network, GAN)。第一套用來辨識潛在的治療分子 (therapeutic molecule)，第二套則刪除那些使用到已有專利化合物的分子。

另外，歐洲私人AI公司BenevolentAI 也建立了可篩選生物醫學文獻與化學物質資料庫的自然語言處理。

目前為止，在 AI 藥物開發方面令人印象最深刻的論文之一，則出自BenevolentAI 的有機化學家 Marwin Segler。他與團隊設計了一套深度學習演算法，可以自行從數百萬個例子當中學習反應的進行方式。該演算法已根據超過 1,200 萬個已知的單步(single-step)有機化學反應，製造出了一些有機小分子。

研究人員甚至從兩間研究所請來一群化學家進行雙盲測試，看是否能夠辨別出 AI 與人類設計的合成反應路徑，結果他們無法分辨。

而AI公司Atomwise 也利用深度學習演算法篩選了數百萬個分子以發展藥物開發計畫，至 2017 年底為止，已成立超過 27 個計畫，治療範圍包含伊波拉病毒感染(Ebola)與多發性硬化症(Multiple Sclerosis)等疾病。

該公司的神經網路也藉由搭配 3D 模型，提出了一份包含 72 種最有可能與特定疾病在分子層面發生良好交互作用的藥物列表。

「自動化藥物開發的概念，可協助大幅減少藥物化學計畫所需測試的化合物數量，同時為調適性分子設計建立一個理性、無偏見的基礎。」瑞士聯邦理工學院 (Swiss Federal Institutes of Technology) 教授Gisbert Schneider說。

AI預測實驗性藥物正確劑量

此外，AI還可預測實驗性藥物(Experimental Drug)的正確劑量。由於最佳藥物劑量可能取決於每位個體身上的許多變數，例如：年齡、性別、體重、基因體(Genetics)、蛋白質體學及腸道微生物體等，因此，是建立模型與使用深度學習演算法的理想題材。

不過，藥物之間產生交互作用的可能性，也提高了確定正確劑量的困難度。目前已有多間學術中心採取這種預測方式，包括加州大學洛杉磯分校、史丹佛大學(Stanford University)、維吉尼亞理工大學 (Virginia Tech)等。

這正如維吉尼亞理工大學的教授 Josep Bassaganya-Riera所說：「每個人都會有一套自己的參數集，但與其分析每一項特徵，我們更應該了解的是由各項特徵混合而成的獨特組合所代表的意義。而機器學習能夠幫助我們做到這一點。」

>>本文刊登於《環球生技月刊》Vol. 82