本月早些时候，STAT全国通讯员 Casey Ross和一组行业领先的专家团队——其中包括Berg的总裁兼首席执行官Niven Narain 、Celsius Therapeutics公司总裁和联合创始人Christoph Lengauer、Vivid Biosciences公司首席执行官Mariana Nacht 以及Relay Therapeutics公司的研发主管 Donald Bergstrom 在波士顿相聚，讨论人工智能在药物开发中的作用。 我非常高兴向130多名与会者介绍这几位专家。
在CAS，我们努力帮助组织机构利用正确的内容和技术，并结合科学家的专业知识，来获取关键的科学数据，从而支持科学发现以及战略投资决策。 因此，我很想听听小组成员对将技术应用到药物开发过程的积极性和具有挑战性的看法。 我对他们提出的问题和观点非常赞同， 他们讨论的许多问题都是我们在CAS工作中每天要解决的挑战。
如果您没有机会参加我们在波士顿的讨论，我想借这个机会与您分享讨论中的一些关键见解和信息。
定义和应用人工智能
如果向三个人提问AI是什么，你可能会得到三个不同的答案。 Nacht指出，每个人似乎都以自己的方式诠释人工智能，最终，我们如何应用人工智能往往会定义它对我们意味着什么。 对她来说，这意味着通过迭代算法输入大量的数据，迭代算法必须根据结果不断改进和重新定义。
Narain分享说，他把人工智能定义为机器进行独立分析而不需要任何人类交互。 如果你考虑这个定义的核心，他评论道，你可能会认为Microsoft Excel代表机器学习——你输入数据，Excel处理数据，你就会得到一个结果。 但如果它与医疗健康有关，其定义要复杂得多，因为可验证的结果至关重要。
他表示：“(在医疗行业)不要止步于模型真的很重要。” 因为这就引出了一个问题——结果仅仅是相关性吗？ 对于疾病和健康而言，(这还不够)，我们需要找出因果关系。
在CAS，我们相信科学加的专业知识、技术以及数据的融合会带来最好的结果，我对这一点深信不疑，因为仅仅是人工智能本身并不会推动创新。 人类的专业知识对于确保正确的数据结构和算法至关重要，必须不断进行微调，以获得最佳的准确性和结果。
关注更好的数据
人工智能帮助研究人员的一种关键方法是利用数据，发掘那些原本无法被发现的真知灼见。 例如，人工智能可以处理大量的数据——从组织样本、基因突变到症状的进展。 这有助于研究人员更清楚地定义他们的患者群体，使他们能够更好地决定如何开发一种药物，或投放市场后如何监控。 但正如Lengauer指出的那样，要获得这些见解，需要正确的数据。 他分享了一种药物的例子，这种药物为40%的病人带来了很好的效果。 “我们不知道为什么其他60%的病人没有效果，也不知道为什么40%的病人有反应。” 我们不能对病人进行分层，我们不知道在诊断时，作为最后的手段，在突然发作的时候，在什么时候使用药物最好? 我们不能对病人进行分层，我们不知道在诊断时，作为最后的手段，在突然发作的时候，在什么时候使用药物最好?
问题不胜枚举，但有价值的深刻见解却微乎其微，这些现实情况令许多研究人员灰心沮丧，因为在药物研发领域，获取大量可靠数据可谓困难重重。 这强调了标准化、工业化数据需要和最新科技双剑合璧。 例如，在癌症临床试验中，存在介质数据问题。 “人要看清某一种模式可能会非常困难，但要通过算法来弄懂其意义则并不难。”Bergstrom 说道。
这让我想到了我们 CAS 的工作内容。 每天，我们通过打造更有效的数据管理解决方案，来帮助客户访问、整理其资产数据并更好地予以理解。 他们能够实现的成果也证实了结构清晰的高质量数据是推动创新的关键。
如要倾听专家的所有深刻见解，您可根据需要观看完整的小组讨论内容。 如果您想要最大程度提高贵组织的数据资产，以加快业务发展，请参阅 CAS 的作用这一部分。