盖蒂图片社
这是六部分系列中的第三部分，该系列探讨人工智能如何改变医学研究和治疗。
卵巢癌“罕见、资金不足且致命”，总部位于纽约的全球慈善机构卵巢癌研究联盟 (Ocra) 负责人奥德拉·莫兰 (Audra Moran) 说道。
与所有癌症一样，越早发现越好。
大多数卵巢癌始于输卵管，因此当它到达卵巢时，它可能也已经扩散到其他地方。
莫兰女士说：“在出现症状之前五年，您可能必须检测出卵巢癌，以影响死亡率。”
但新的血液测试正在出现，利用人工智能 (AI) 的力量来发现癌症早期的迹象。
不仅仅是癌症，人工智能还可以加快对肺炎等潜在致命感染的其他血液检测。
纪念斯隆凯特琳癌症中心
Daniel Heller 博士是纽约纪念斯隆凯特琳癌症中心的生物医学工程师。
他的团队开发了一种使用纳米管的测试技术，纳米管是一种微小的碳管，比人类头发的直径小约 50,000 倍。
大约20年前，科学家开始发现可以发出荧光的纳米管。
在过去的十年中，研究人员学会了如何改变这些纳米管的特性，以便它们对血液中的几乎所有物质做出反应。
现在可以将数百万个纳米管放入血液样本中，并根据附着的物质使它们发射不同波长的光。
但这仍然留下了解释信号的问题，海勒博士将其比作寻找指纹的匹配。
在这种情况下，指纹是与传感器结合的分子模式，具有不同的灵敏度和结合强度。
但这些图案太微妙，人类无法辨别。
“我们可以看看这些数据，但我们根本无法理解它，”他说。“我们只能看到与人工智能不同的模式。”
解码纳米管数据意味着将数据加载到机器学习算法中，并告诉算法哪些样本来自卵巢癌患者，哪些样本来自未患卵巢癌的人。
其中包括来自患有其他形式的癌症或其他可能与卵巢癌混淆的妇科疾病的人的血液。
使用人工智能为卵巢癌研究开发血液检测的一大挑战是它相对较少，这限制了训练算法的数据。
甚至大部分数据都被储存在接受治疗的医院中，研究人员的数据共享也很少。
Heller 博士将仅使用 100 名患者的可用数据来训练算法描述为“万福玛丽通行证”。
但他表示，人工智能能够获得比当今最好的癌症生物标志物更好的准确性——而这只是第一次尝试。
该系统正在进行进一步的研究，看看是否可以使用更大的传感器组和更多患者的样本来改进它。更多的数据可以改进算法，就像自动驾驶汽车的算法可以通过更多的街道测试来改进一样。
海勒博士对这项技术寄予厚望。
“我们想做的是对所有妇科疾病进行分类——因此，当有人提出投诉时，我们能否为医生提供一种工具，快速告诉他们这是否更有可能是癌症，或者是这种癌症而不是那种癌症。”
海勒博士表示，这可能需要“三到五年”的时间。
卡里乌斯
人工智能不仅可以用于早期检测，还可以加快其他血液测试的速度。
对于癌症患者来说，感染肺炎可能是致命的，并且由于大约有 600 种不同的微生物可以引起肺炎，医生必须进行多次测试来识别感染。
但新型血液检测正在简化并加速这一过程。
总部位于加利福尼亚州的 Karuis 使用人工智能 (AI) 帮助在 24 小时内准确识别肺炎病原体，并为其选择合适的抗生素。
“在我们进行检测之前，肺炎患者在入院第一周内将接受 15 到 20 项不同的检测，以确定其感染情况 - 检测费用约为 20,000 美元，”Karius 首席执行官亚历克·福特 (Alec Ford) 说。
卡里乌斯拥有一个微生物 DNA 数据库，其中包含数百亿个数据点。可以将患者的测试样本与该数据库进行比较，以确定确切的病原体。
福特先生表示，如果没有人工智能，这是不可能的。
一项挑战是，研究人员目前不一定了解人工智能在测试生物标志物和疾病之间可能建立的所有联系。
过去两年里，Slavé Petrovski 博士开发了一个名为 Milton 的人工智能平台，利用英国生物库数据中的生物标志物识别 120 种疾病，成功率超过 90%。
在如此大量的数据中寻找模式是人工智能唯一能做的事情。
“这些通常是复杂的模式，可能没有一个生物标志物，但你必须考虑整个模式，”制药巨头阿斯利康的研究员彼得罗夫斯基博士说。
海勒博士在他的卵巢癌研究中使用了类似的模式匹配技术。
“我们知道传感器与血液中的蛋白质和小分子结合并做出反应，但我们不知道哪些蛋白质或分子是癌症特有的，”他说。
更广泛的数据，或者说缺乏数据，仍然是一个缺点。
“人们没有分享他们的数据，或者没有一种机制可以做到这一点，”莫兰女士说。
Ocra 正在资助一个大型患者登记处，其中包含患者的电子病历，研究人员可以利用这些患者的数据训练算法。
“现在还处于早期阶段——我们现在仍处于人工智能的狂野西部，”莫兰女士说。
更多商业技术