钛媒体注：2016年年底，美国高盛集团发布了一份长达99页的重磅人工智能报告：《人工智能、机器学习和数据将推动未来生产力的发展》（AI, Machine Learning and Data Fuel the Future of Productivity）。报告围绕人工智能，阐述了人工智能的生态及未来，从医疗、农业、金融、零售业、能源业等领域描绘了人工智能对其带来的影响。

　　以下是动脉网对其翻译和整理之后的全文呈现。

　　这份报告认为，所谓AI，即是制造以人类智能的方式学习并解决问题的智能机器和计算机程序的科学工程。该领域包括自然语言处理与翻译、视觉感知与模式识别，以及决策制定等。

　　近年来，机器学习（Machine Learning, ML）和深度学习（Deep Learning, DL）的应用领域极速扩张，而数据、更快的硬件、更好的算法则是推动人工智能的进展的三大基石。下文中，动脉网为您节选了报告中关于人工智能对医疗领域的影响，带您一窥未来医疗的发展方向。报告指出，到2025年，医疗年均成本预计可节约540亿美元。

　　机器学习在医疗领域中有广泛的应用前景。医疗行业需要丰富且定义明确数据集，也需要随时随地对患者进行监督，而医疗结果也存在着极大的可变性。

　　机器学习可为其中不少的子行业提供获得高额回报的潜力，如药物发现、测试分析、治疗优化和患者监护等。随着人工智能和机器学习的不断整合，人们将有望在新药研发的过程中显著地实现“去风险”，不但将节约每年约260亿美元的研发成本，同时还将提高全球医疗信息领域的效率，节约的成本价值超过每年280亿美元。

　　机遇何在?

　　药物发现与开发。在药物开发过程中结合机器学习，有着提升开发效率的潜力。机器学习不但可以加速时间范围，还可以提高到达后期试验阶段药物的成功概率（probability of success, POS）。Medicxi Ventures的合伙人 David Grainger认为，错误发现率（False Discovery Rate, FDR）是一个统计学现象，而避免FDR则有可能将后期试验阶段的风险减半。

　　此外，在药物发现的早期阶段中，现有虚拟筛选的方法名为“高通量筛选”，而它非常容易受到FDR的影响。如果可以将第3阶段试验的风险减半，就可以为大型制药公司节约数十亿美元的成本，影响其超过900亿美元的研发经费并带来有意义的回报，使其能够腾出资源集中于寻找更有潜力的机会。

　　备注：虚拟筛选(virtualscreening，VS)也称计算机筛选，即在进行生物活性筛选之前，利用计算机上的分子对接软件模拟目标靶点与候选药物之间的相互作用，计算两者之间的亲和力大小，以降低实际筛选化合物数目，同时提高先导化合物发现效率。

　　虽然与后期试验相关的巨额费用往往侧重于临床试验的设计元素，但我们认为，将AI/ML应用于优化后期阶段在选择标准、规模和研究长度等方面的决策，也可以实现有意义的效率提高。

　　医生/医院的效率。由于监管和分裂等原因，美国医疗体系在历史上对新技术的采用一直十分缓慢。除了需要应对系统的挑战，从药物发现到医生和诊所将新药应用于医疗实践之间的过程往往十分漫长且没有连续性。

　　美国市场研究咨询机构透明市场研究(Transparency Market Research)公司的数据显示，美国政府最近发布的一系列纳入《美国复苏与再投资法案》的法令，已经推动了诸如电子健康记录等领域的快速增长，全球市场预计将在2023年达到约300亿美元。

　　数据的聚合，不断改进的数据捕获技术，以及独立医院的不断减少等，已经为数据的大规模利用创造了一个前所未有的机遇。这一切也将提高机器学习算法和人工智能的各项功能，以在医疗领域的各个方面改善速度、降低成本和提高精度。

　　总部设在伦敦的谷歌DeepMind正与英国国民健康服务(National Health Service, NHS)合作开发一款旨在监测肾脏疾病患者的APP，以及一个前身名为“患者抢救”、旨在支持诊断决策的平台。

　　任何AI/ML系统的关键都是海量的数据，因此DeepMind和NHS达成了一个数据共享协议，NHS将为DeepMind提供动态的新数据流和历史数据，以用于训练DeepMind的算法。

　　只有有了海量的数据，才有可能对临床数据进行实时分析。当然，如果DeepMind可以随时有效获取患者数据，它所能提供的见解将远远超出肾脏疾病的范围。

　　痛点何在？