《我不是藥神》這部現實主義的電影作品一路飄紅，成為了最近最火爆、最賣座的電影。
這部電影之所以叫好又賣座，無非是它戳中了人們的痛點：經濟條件普通的患者買不起治療白血病的天價藥格列衛，就只能求助於幾乎同樣療效、但價格只有幾十分之一的印度仿製藥。要想活命，就都要去求助於程勇這樣代購印度廉價藥的“黑中介”。
世界衛生組織公佈的資料顯示，全球每年都有超過1400萬新發癌症病例，且有將近880萬人死於癌症，其中大部分人都處於中低收入水平國家。抗癌進口藥往往研發成本高昂，涉及核心專利保護，再加上進口關稅等層層加價，合法的“真藥”賣到中國來，往往是翻了幾倍甚至幾十倍的天價。很多癌症患者只能以各種方式購買國外的低價仿製藥來維持生命，生命就這麼被明碼標價。
如何讓“大病面前人人平等”不再成為空話，讓更多患者能夠有尊嚴地接受更優質的治療、吃上價格合適的藥品，從根本上提高癌症預防和治療的效率和質量？
越來越多的人把目光轉向了人工智慧，希望人工智慧能為飽受傷病困擾、經濟能力有限的癌症患者帶來更高效、廉價的預防和治療措施。
那麼，在將來，人工智慧的迅速崛起會不會為癌症診治帶來新的福音？
新藥研發：人工智慧與抗癌藥物
在電影裡面，藥販子張長林用戲謔的口吻說：“世界上只有一種治不好的病，就是窮病”，讓人唏噓不已。罕見病藥物的高昂價格正是患者最大的困擾，對於經濟條件一般的病人來說，廉價而同樣有效的仿造藥物，就是他們的救命稻草。
電影將瑞士藥廠諾華公司塑造為追逐利益花大功夫保護專利、草菅人命的負面角色。但在保護創新與貧窮者的生存之間的矛盾背後，是巨大的倫理困境。
研發新藥物，成本是天文數字，如果沒有專利保護，仿製藥就會扼殺了大藥廠的創新動機，不利於新藥的研發，最終結果是大家都沒有新藥可用。
據權威機構Tufts CSDD在2014年的統計，美國批准上市的新藥平均研發成本是29億美元。藥品研發如此昂貴，主要是因為藥物研發後需要大量及漫長的臨床試驗，以及藥品的研發失敗機率極高，藥企需要為此付出高昂的研發費用，以及極高的風險成本。
以片中的“救命藥”格列衛為例，從開始研發到被批准用於治療，諾華公司花費了數十億美元的研發費用，投入大規模的人力和裝置投入，時間跨度長達四十餘年。格列衛還承擔著諾華公司其他虧損藥物專案的成本均攤費用。醫藥企業躲不過高昂的投入，也自然無法給藥物定低價，做無私的“救世主”。
全球製藥企業2016年研發投入前20強排行（十億美元）
不過，隨著深度學習技術的突破，影像識別、神經網路、機器學習等關鍵技術的快速發展，人工智慧技術在新藥研發領域的作用越來越突出，能夠幫助研究人員快速識別抗癌藥物的有效性，從而大幅縮減研發時間，提高新藥研發的效率。
諮詢公司麥肯錫（McKinsey & Co.）製藥及醫療產品行業合夥人SastryChilukuriv在一份報告中指出，人工智慧在幫助藥企研發新藥的過程中表現出越來越積極的角色得益於人工智慧近幾年的發展，比如患者的各種大資料越來越容易獲取、人工智慧演算法準確率提升、資料的實時監控質量提高等。
於是，越來越多的藥物開發廠商開始轉向計算機和人工智慧，希望利用這種技術來縮小潛在藥物分子的範圍，從而節省後續測試的時間和金錢投入。為了識別那些有很大潛力可以作為藥物靶標的蛋白質的編碼基因，很多廠商把希望寄託在了機器演算法上。
目前，一些新的演算法模型（包括近日釋出在《ScienceTranslational Medicine》上）增加了新層次的複雜性，這些演算法可以縮小相關蛋白質、藥物和臨床資料的範圍，以便更好地預測哪些基因最有可能讓蛋白質和藥物結合。
在解決癌症耐藥性方面，人工智慧也有著突出作用。人工智慧可以通過對龐大抗藥腫瘤的資料學習、分析，快速理解癌症細胞是如何對抗癌藥物產生抗藥性的，這有助於研究人員和醫療人員改進藥品研發、調整藥物使用。
藥企通過運用人工智慧研發系統，能夠降低研發過程中人力、時間、物力成本，同時基於疾病、用藥等建立資料模型，預測藥品研發過程中的安全性、有效性、副作用等。而研發成本的下降也就意味著罕見病藥物售價能夠更加低廉，讓更多的患者能夠用上藥效更好的正版藥。
今年一月，葛蘭素史克公司宣佈同位於加州的勞倫斯利物莫國家實驗室（LawrenceLivermore National Laboratory）結成夥伴關係，攜手利用人工智慧進行藥物研發。葛蘭素史克負責科技的高階副總裁約翰·巴爾多尼(JohnBaldoni)表示，合作的目的是藉助人工智慧將藥物研發時間壓縮至一年，而此前有些藥物研發耗時長達10年。
人工智慧在幫助醫生為癌症患者制定針對性治療方案、預測藥物治療有效性方面也有著積極表現。科技巨頭微軟正開發名為“Hanover”的人工智慧專案，藉助深度學習技術，理解、分析大量醫學專業論文，來幫助醫生合理、精準用藥。
智慧診斷：人工智慧與癌症篩查
對於癌症患者來說，服用抗癌藥物、接受放療、化療都是在確診後的不得已的應對手段。但如果將來能在早期診療中普及早期篩查，並提高癌症篩查的準確性，將癌細胞的焰火掐滅在萌芽狀態，癌症患者也會得到更加及時的治療，癌症患者的存活率能得到有效提高。
目前傳統的篩查模式有諸多侷限，比如靈敏度不夠高，未能早發現癌症的靶點；特異性不夠好，檢測結果容易出現假陽性和假陰性；誤診率高，有時受制於醫生肉眼閱片能力等等。
以結直腸癌篩查為例，由於腸道環境複雜、早期癌變或息肉又小又平以及醫生疲勞等因素，臨床漏診率很高。而AI能有效降低結直腸癌篩查的漏檢率，對於人眼經常漏診的息肉等，AI可以選出病變疑點並提示醫生。
AI技術能夠利用影像識別、深度學習輔助臨床醫生更準確、更高效地診斷，達到從基於醫生的主觀判斷到基於人工智慧軟體處理大資料後的客觀判讀的轉變。目前已經在全球範圍內應用於如宮頸癌、乳腺癌等多種癌症的篩查。
例如，香港中文大學的研究團隊就用人工智慧影像識別技術判讀肺癌及乳腺癌的醫學影像，自動篩查早期肺癌及快速檢測乳腺癌轉移，其準確率分別達９１％及９９％，識別過程只需３０秒至１０分鐘。
AI技術能夠更好地標記乳腺癌腫瘤，減少假陽性和過度診療的機率
來自德國、法國和美國的團隊研發了檢測皮膚病的人工智慧軟體，該軟體能夠以95%的精確率檢測出癌性痣和良性斑點，比醫生的識別結果（87%）更加精確。
圖為鱗狀細胞癌。 AI系統將癌性的皮膚病變部分與良性皮膚病變區分開來
越來越多中國的醫院也開始把AI技術帶入到癌症篩查當中，深圳市南山人民醫院就在騰訊的AI醫學影像技術——騰訊覓影的輔助下對早期食管癌進行篩查，篩查準確率達到90%。得益於人工智慧超強的識別影像和篩查能力，醫生可以更快更高效地幫助女性早期識別乳腺癌，更高效的早篩也有助於降低乳腺癌的死亡率。
目前，人工智慧在智慧診斷方面的技術已經在世界範圍內產生了重大進展和突破，相對於傳統的篩查模式，人工智慧能夠更快速地學習了海量癌症醫學知識和診治案例，全面提升癌症篩查效率和準確率，結合大資料等技術的應用，將來能夠大大提高早期篩查和輔助決策的質量。但人工智慧的技術迭代是一個長期的過程，不可能一蹴而就。
人工智慧什麼時候能大規模應用？
不過，若想人工智慧充分發揮其在藥物研發上的潛能，仍有諸多障礙需要跨越。
比如，北卡羅來納大學研究機器學習的助理教授Olexandr Isayev指出，即使在同一機構內，不同的資料集可能是碎片化的，而且儲存方式並不相容，使得機器理解識別資料變得很困難，而讓資料變得協調相容需要付出卓絕的努力。
同時，資料保密也是個令人擔憂的問題，尤其是考慮到近期針對醫療保健系統的網路攻擊和資料洩露事件，人工智慧資料的使用也頗具爭議。
此外，藥物批准過程也是一大難關，因為藥物批准需要動物和人體實驗資料，這也使得短期內在藥物研發上計算機不可能徹底取代科學家。
自2014年起，北美約20家醫療機構等利用美國IBM開發的“沃森”，啟動了醫療領域的研究，而中國在這方面的應用依舊十分有限。
在處理自動化任務、案例整合註釋、高效計算等任務上，人工智慧能夠為醫生們提供相當大的幫助。醫院越來越緊張的醫療資源也要求快速的計算分析、處理的能力和更高的檢測精度，人工智慧能夠造福廣大患者，提供更大的幫助。
人工智慧在歷經半個世紀的起伏之後，已經從概念走向了現實，越來越成熟的智慧應用出現在我們的生活中，並逐步在醫療行業落地。醫療人工智慧發展迅速，產業格局風起雲湧，包括醫學影像、臨床決策支援、語音識別、藥物挖掘、健康管理、病理學等眾多領域。
深度學習技術的突破，使得此前半溫不火的人工智慧迅速崛起，影像識別、神經網路、機器學習等關鍵技術的發展，以及大資料技術的融合應用，為抗癌藥物研發和癌症診治提供了巨大的幫助。
人工智慧是否能夠提高新藥的研發升級的速度的同時降低藥物成本，使得藥物能夠以更低的價格使患者受益，甚至是更廣泛地應用於癌症檢測的領域，讓癌症的風險在早期得到更好的評估和檢測。
就像電影中程勇說的那樣：“我相信，今後會越來越好的。希望這一天能早日到來”，有了人工智慧的幫助，相信更多患者能夠順利康復的那一天一定會更早到來。
附錄：人工智慧在醫療領域發展路徑 創新步伐加快
1952年 -人工智慧之父Marvin Minsky建立了隨機神經模擬加固計算器（SNARC）。這是人類打造的最一個人工神經網路，用了3000個真空管來模擬40個神經元規模的網路。
1975年- BP演算法，即反向傳播(back propagation)演算法，使多層神經元網路訓練成為可能，20世紀80年代神經網路開始廣泛使用；
2000年-“ 深度學習 ”一詞首次用於描述得知建立能夠以無監督方式從非結構化資料的學習的機器學習過程；
2011-2012-卷積神經網路AlexNet實現了視覺識別前所未有的精度水平，從而為深度學習在機器學習中的主流作用作了肯定；
2017年1月-美國史丹佛大學研究人員在開發的深度學習技術可以直觀地識別癌細胞皮膚痣和病變，與同級別人類皮膚科醫生精度相當；
2017年2月-微軟建立醫療NEXT，旨在運用人工智慧和機器學習技術，以解決不同的健康問題，包括癌症治療；
2017年3月-谷歌的GoogleNet深度學習技術能夠檢測癌症惡性腫瘤，比人類醫生有更高的精確度；
2017年10月-英特爾釋出Nervana神經網路處理器（NNP）晶片，它可以加速深度學習速度，包括診斷癌症
這一時間表顯示，深度學習和基於AI的癌症研究創新的步伐正在加快。然而，在這個階段的進展仍然涉及相對小的步驟導致了在未來的終極目標。
參考閱讀：
https://www.theguardian.com/technology/2018/jun/10/artificial-intelligence-cancer-detectors-the-five
https://www.iyiou.com/breaking/17242?share_from=f13294ebIvm-sWBNhWA7pxQpw-ODBY4DBeJ-aVo3cjfwejtmQkyc1z5eMuhtbS5mgp2cvFJroxd3GXUo9a-5GE6YQVpWdNN3Csle1Sf-R_7TfIMKvyr96d_Jw
http://news.163.com/17/1025/20/D1KDKN4U00018AOR.html
https://www.mckinsey.com/industries/pharmaceuticals-and-medical-products/our-insights/how-big-data-can-revolutionize-pharmaceutical-r-and-d
https://www.wsj.com/articles/how-ai-is-transforming-drug-creation-1498442760