在许多靶点上，它都实现了接近完美的预测质量，使其尤其适合被用作虚拟筛选装置。总之，深度学习提供了建立虚拟筛选并将其作为药物设计管道中标准步骤的机会。”（Massively Multitask Networks for Drug Discovery，2015/2/6）

　　2012年,默克公司主持了一项由数据科学公司Kaggle发起的旨在确定虚拟筛选统计技术的挑战。现在，Kaggle已经开始测试深度学习和AI的应用，并与AI药物发现初创公司Atomwise开展合作。

　　Atomwise最近利用AI技术，在不到一天的时间内对现有的7000多种药物进行了分析测试，为寻找埃博拉病毒治疗方案做出了贡献。根据该公司的统计，如果利用传统方法，这项分析需要花费数月甚至数年才能完成。

　　提高医生/医院效率。在改善诊断(Enlitic, DeepMind Health)、分析放射学结果(Zebra MedicalVision, Bay Labs)、基因组医学(Deep Genomics)等领域，甚至利用AI治疗抑郁症、焦虑和PTSD（Ginger.io）等方面，我们已经看到了应用机器学习的一些早期成功范例。

　　由于医疗数据数字化和数据聚合的不断发展，医疗数据将变得更易于访问。这使得AI/ML不仅可以削减与过程任务相关的成本，而且还可以利用算法使得过去不相交的数据集互通，以改善医疗护理本身。最终，由于AI/ML能够做出超出人类能力的因素考量，使得其可以帮助供应商以更高的效率进行诊断和治疗。

　　量化机遇

　　药物发现失败的成本。根据我们的分析，通过实施机器学习和人工智能，在以下情况人们有望将药物开发与发现的相关风险减半：

　　·获批药物的平均年度开发成本为16亿美元，其中包括与失败药物相关的成本（德勤）。

　　·失败药物的年度成本为300亿美元，这笔资金完全可以平均分配给获批的药物群（德勤）。

　　2015年，FDA报告了60种获批药物。这意味着算上失败药物的研发成本，该年度每种获批药物的的成本约为6.98亿美元，其中就有将近420亿美元用在了失败药物上。我们认为，机器学习和人工智能可以将新药研发过程中的风险减半：到2025年，全球制药行业每年即可节省约260亿美元。

　　加速获得转型至电子健康记录的收益。当前，仅在美国一地，医疗信息技术人员的年度薪酬就已达到约70亿美元。根据BLS的数据，由于人口老龄化及政府向数字化转型需求的推动，预计在2014-2024年，医疗信息技术人员的就业前景将实现大幅度提高：相较其他所有职业7％的增长率，此类职业的增长将达到令人咋舌的15%，远远高于平均水平。

　　然而，考虑到这项职业中的许多工作任务很容易被自动化和软件等替代，我们认为机器学习和AI有可能将取代几乎所有这类工作。

　　BLS认为，医疗信息技术人员的任务是确保用于报销和/或研究的患者医疗数据的质量、准确性、可访问性和安全性，atv，同时利用技术分析患者数据，以提高医护质量和控制成本。

　　医疗行业中AI/ML日益广泛的应用，可能会对这类职业产生严重影响。根据人均医疗支出和全球支出份额估计，AI/ML有望在2025年在全球范围内削减超过280亿美元的年度成本。

　　谁会被扰乱？

　　综上所述，机器学习和人工智能可以节约药物发现与开发的成本，提升POS，为供应商和医疗设施的效率增益，因此，它们有潜力大幅度地改变大型制药公司以及整个医疗系统的前景。我们有理由相信，从长远来看，机器学习和人工智能技术必将激增，缩短研发时间，降低失败药物的损失，并使得药物开发中的竞争加剧。

　　此外，效率增益和自动化可能会对一些医疗专业人员和公司造成一定的混乱，特别是在解释医疗结果和诊断的人士与实际交付护理或执行手术的人士之间，例如放射科医生、提供第二意见的专家以及行政或支持人员等。我们认为这种混乱将会长期存在，因为现在许多技术仍处于早期开发阶段，并且采用这些技术的成本相对于其他改进机制可能稍显过高。

　　采用的挑战

　　虽然AI/ML在医疗领域的许多子领域均存在明显的机遇，但技术采用的障碍仍然存在。