如今的 AI 技術包含了機器學習與深度學習，這兩者都涉及到如何使用大量的案例訓練計算機建立一個模式去識別一個未知的對象。Winterlight 實驗室已經訓練其基於機器學習的軟件去通過 1-5 分鐘的演講片段檢測一個人是否具有認知障礙，這其中就涉及到識別正常人與阿爾茨海默症患者在說話中不同的音高與所用語法的複雜性。
其創始人 Frank Rudzicz 讓用戶回想他們從互聯網上看到的一幅畫或者讀到的一個故事，再用自己的語言組織起來。軟件會將分析結果發送給醫生。分析一個音頻樣本大約需要 5 分鐘，相比傳統的長達 3 小時的分析其速度已經大大提高，其分析結果可以用於阿爾茨海默症的早期診斷，讓患者能夠更及時地得到服務，並且減少醫療成本。
當人工智能被用於分析基因組來理解疾病的時候，它還能幫助醫生得到更精確的診斷，進而讓患者得到更好的治療。多倫多的 Deep Genomics 公司已經開發出了一個可以判斷基因變異的軟件系統，這將解開基因變異如何引發疾病的謎團。
這家公司在一項針對一個擁有免疫障礙孩子的研究中測試他們的技術，這個病童具有罕見的基因突變情況。公司 CEO Brendan Frey 希望他們的技術可以「改變制藥研究的方式」。從某種程度上說，通過確定藥物靶向，可以預測出病人對於一種藥物有何反應。
除了上述公司之外，Intellectual Ventures 實驗室開發的 Autoscope 檢測系統也依賴深度學習網絡來從顯微鏡玻片中檢測血液中的瘧疾原蟲。直到今天，訓練有素的顯微鏡化驗員用的標準方式依然是通過用肉眼從玻片的微小孔隙中找出那些難以識別的寄生蟲。但是在很多瘧疾肆虐的地區根本沒有那麼多的顯微鏡化驗員，更別提熟練的操作人員了。
在最近一次於泰國的現場評估中，預計將在 2017 年推向市場的 Autoscope 已經能夠通過分辨形狀和紋理等特徵正確識別 170 個玻片中的寄生蟲。但是由於該系統需要電力支持，且成本高達 1500 美元，Autoscope 更有可能被那些可以提供足夠資源的診所使用，而不是窮困的邊遠地區。
現在也已經有了專門為簡化藥物而設計出的人工智能。Atomwise 公司的 AtomNet 建立在深度學習系統之上，它能夠基於早期研究數據教會自己如何識別藥物化學的構建模塊。當它面對一個蛋白質結構目標時（將其考慮為一把鎖），它一天就能夠考慮到上百萬種可能的「鑰匙」，進而預測出那一把「鑰匙」會最有效率地「開鎖」。這家位於舊金山的公司與研究人員合作去找出那些潛在的能夠治療癌症、神經系統的藥物分子。
不過 Atomwise 公司的首席運營官 Alexander Levy 提到了 AtomNet 還需要進行測試，「人工智能並不能解決所有醫學發展的問題」。Coleman 也指出任何醫學上的新發現都將面臨十分滯後的審批流程。
「在初期也許其中會存在一些噱頭，但是最終人工智能會被證明是能真正起到作用的，找不到其他方法來解決的問題都可以讓人工智能試一試。」弗吉尼亞大學的計算機科學教授 Yanjun Qi 如此說道。關於人工智能的使用還存在一些別的擔憂，比如擔心它們可能導致更多的錯誤，或是在推廣使用後引起制藥公司與醫療機構的裁員。
有些病人對於機器做出的臨床決策會感到不安，但是今年 57 歲的平滑肌肉瘤患者 Suzie Siegel 則十分樂觀，「人工智能可以讓醫生在決定治療方案的時候得到更充分的信息，因此使用機器看病一點也不會嚇到我。」
文章來源：創見科技
圖片來源：photo.ac