更多精彩，敬請關注硅谷洞察官方網站（http://www.svinsight.com）
醫生和護士一直站在醫療系統的最前線併為大眾提供著實時的護理。但是於此同時，研究人員們也在其他同等重要的領域工作著，共同努力研發著臨床醫生可以使用的方法以及新的醫學知識來治療患者。
這些研究人員通過研發新的藥物來解決尚未治癒的疾病，通過模擬生物的有機體結構以便更好地瞭解其工作原理，並深入地研究基因染色體數據以尋找與特定健康狀況相關的基因標識。
同時，他們也使用人工智能和加速計算來應對越來越多的應用程序的使用。
人工智能如何改變藥物發現？
可以治癒疾病的潛力藥物樣品中的分子數量幾乎與可觀察到的宇宙中原子的數量一樣多。製藥公司和研究人員傾注多年的努力和數十億美元來探索這個龐大的分子庫，以便發現更多新疾病的治療方法。
科學家們利用他們的專業知識來猜測哪種藥物分子可以治療哪種疾病。通常，他們一次只關注一種疾病並對其進行多年的專注研究。有了人工智能，他們可以同時模擬數百萬個藥物樣品分子並一次篩查出治療上百種疾病的方法。
這樣的深入學習可以讓我們瞭解受控制的藥物分子如何在體內起作用的這一生化規律，並幫助研究人員瞭解藥物分子的潛在副作用--甚至想出新的藥物合成分子來治療疾病。
匹茲堡大學的研究員大衛·科斯就是這樣做的，他用英偉達的圖形處理器模擬分子對接，即模擬測試藥物如何與目標蛋白結合的過程。他的團隊研發出了一個深度學習的模型，此模型將他們對分子對接預測的精準度從52%提高到70%。
作為英偉達創始項目之一的遞歸藥物方法通過在多個治療領域中使用超過100個圖形處理器來訓練其發現藥物的神經網絡系統，其中包括著目前缺乏治療手段的數百種罕見疾病。
遞歸的深度學習模型通過分析顯微鏡檢查的圖像，來確認藥物化合物是否對治癒的患病細胞有效。通過使用人工智能，該公司可以在一週內從1000多萬個細胞中篩選出數百個顯示已被治癒的細胞。
人工智能如何改變基因組學？
另一個在醫學領域中擁有驚人的數據規模和複雜性的學科是基因組學。儘管基因組學是一個相對新型的領域，但它的發展速度之快，已經達到了數據集合每八個月翻一番的狀況。
全世界大約有一百萬個完整的人類基因組被測序，它為科學家們提供了可以為精準醫學、免疫療法和人口研究而服務的精細的數據庫。 當這些數據被收集完成以後，下一步要做的是對其進行計算分析。
斯克裡普斯研究轉化研究所正與英偉達合作，共同建立深度學習應用程序，以便從中得到更實惠的基因組測序方法和更好的基因數據突變檢測結果。新創辦的企業也在利用圖形處理器來解決基因組分析中所面臨的挑戰。
創業公司Parabricks的共同創始人安吉特·塞西亞表示，就像圖形處理器通過獨立處理多個像素來解決圖形問題一樣，他們也可以將遺傳信息分解成微小的、單獨的遺傳片段，然後將它們重新組合在一起。
該公司正在使用英偉達的DGX-1服務器來檢測序列基因組中的關鍵標記和異常值，從而將工作時間從幾天縮短到不足一小時。
人工智能如何改變醫學研究？
世界各地大學的研究人員正在使用人工智能和圖形處理器來模擬我們尚未完全瞭解的生物結構和疾病。
在澳大利亞，莫納什大學的一個團隊通過使用一種叫做低溫電子顯微鏡的儀器來繪製分子使其具有高分辨率的3D外形，這是一個高計算密度的過程，並需要配有英偉達圖形處理器支持的超級計算機來運行繪製。
研究人員正在利用這項技術研發能夠對抗超級細菌或耐藥細菌的藥物。
在美國，科羅拉多州立大學的研究人員正在模擬一種在致命的登革熱病毒中發現的酶，這種病毒每年感染了數億人。利用聖地亞哥超級計算中心配有圖形處理器支持的超級計算機，研究小組就能夠發現酶運動的新特質。
隨著計算精度的提高，這項工作會帶來一些新的醫學見解，以用來解決像登革熱這樣的疾病的傳播。
深度學習還可以幫助研究人員收集他們在研發突破性醫療應用方面所需的源數據。在英偉達，研究人員正在使用生成對抗網絡(GANs) 來促進醫學研究發展，並通過產生異常的大腦核磁共振成像來訓練系統用於醫學成像的神經網絡。
這些合成的大腦核磁共振成像可以幫助解決醫學界研發人員經常面臨的挑戰：即缺乏安全可靠的訓練數據來深化他們自己的深度學習模型。
原文鏈接: https://blogs.nvidia.com/blog/2019/03/29/how-ai-is-changing-medicine/
原文作者: ISHA SALIAN
更多精彩，敬請關注硅谷洞察官方網站（http://www.svinsight.com）