大数据与AI相辅相成，得益于计算机信息技术科技革命，各领域产生了海量数据积累，人工智能（AI）技术获得快速发展。目前，AI技术在生物医药领域应用主要有药物研发、医学影像、辅助诊疗和基因分析四个细分领域。其中，国外借助先进的药品研发技术和人工智能技术更早起步，以AI药物研发为主，我国则借助海量大数据优势，以AI医学影像为主。

一、药物研发

根据 Global MarketInsight的数据报告，全球人工智能医疗市场中，第一大细分市场为药物硏发，份额最大（约占35%）。根据既往资料显示，药物研发领域的细分方向有以下6种：

1. 海量文献信息分析整合

对于药物研发工作者来说，最让他们头疼的事如何去甄别每天产生的海量科研信息。而人工智能技术恰恰可以从这些散乱无章的海量信息中提取出能够推动药物研发的知识，提出新的可以被验证的假说，从而加速药物研发的过程。

2.化合物高通量筛选

化合物筛选，是指通过规范化的实验手段，从大量化合物或者新化合物中选择对某一特定作用靶点具有较高活性的化合物的过程。而要从数以万计的化合物分子中筛选出符合活性指标的化合物，往往需要较长的时间和成本。

AI 技术可以通过对现有化合物数据库信息的整合和数据提取、机器学习，提取大量化合物与毒性、有效性的关键信息，既避免了盲人摸象般的试错路径，还可以大幅提高筛选的成功率。

3.发掘药物靶点

现代新药研究与开发的关键是寻找、确定和制备药物靶点。靶点是指药物在体内的作用结合位点，包括基因位点、受体、酶、离子通道和核酸等生物大分子。

AI系统可以从每个设计周期里的现有数据资源中学习，其原理与人类的学习方式相似，但AI在识别多种微妙变化以平衡药效、选择性和药代动力学方面要更加高效。

4.预测药物分子动力学指标（ADMET）

ADMET包括药物的吸收、分配、代谢、排泄和毒性。预测ADMET是当代药物设计和药物筛选中十分重要的方法。过去药物ADMET性质研究以体外研究技术与计算机模拟等方法相结合，研究药物在生物体内的动力学表现。

目前市场中有数十种计算机模拟软件，包括ADMET Predicator、MOE、Discovery Studio和Shrodinger等。该类软件现已在国内外的药品监管部门、制药企业和研究院所得到了广泛应用。

5. 病理生物学研究

病理生物学是研究疾病发生、发展、转归的规律和机制的科学。病理生物学研究是医药研发的基础，至今许多疾病尚无治疗方法，是由于在病理生物学研究方面没有取得进展。

其研究内容是指基于人工智能将病理图像转化为高保真度、高通量的可挖掘的数据,并用于定量化病理诊断和疾病预后,最后自动生成病理诊断报告。在人工智能技术的支撑下,病理组学的研究正向着更加自动化更加精准的方向发展,这也有益于充分利用现有医疗资源、节省研究成本、推动医疗发展。

6.发掘药物新适应症

老药新用是目前寻找药物的常用方式，它的实现方式是将市面上已曝光的药物及人身上的1万多个靶点进行交叉研究及匹配。

依靠AI强大的自然语言处理能力和深度学习能力，从散乱无章的海量信息中，提取出能够推动药物研发的知识和新的可以被验证的假说，将给试验的速度带来指数级的提升。

AI在药物重定向环节的应用，可以省去靶点发现和药理作用评估等环节，有望将药物研发成本降至3亿美元甚至更低，研发周期也缩短至6.5 年。

二、医学影像

根据 Global MarketInsight的数据报告中，仅次于药物研发，医学影像市场作为人工智能医疗应用领域第二大细分市场，将以超过40%的增速发展，在2024年达到25亿美元规模，占比达25%。

医学影像行业是国内AI与大数据在医疗领域应用发展最快的方向，远高于其他场景的应用。有研究报告显示，进入中国100强的人工智能相关非上市企业的10家人工智能医疗方向的企业中，有6家涉及到了AI医学影像领域。

智能医学影像识别是基于人工智能技术，对X线片、计算机断层扫描、磁共振成像等常用医学影像学技术扫描图像和手术视频进行分析处理的过程，其发展方向主要包括智能影像诊断、影像三维重建与配准、智能手术视频解析等。

1. 智能影像诊断

我们通常所说的狭义的智能医学影像，指的就是智能影像诊断。这也是智能医学影像领域最为火热的方向之一。智能影像诊断和影像三维重建与配准可提高影像识别的效率和质量，为疾病诊断和治疗提供帮助。

AI辅助诊断、AI筛查、AI超声是智能医疗影像探索最广泛的领域。当下AI+医学影像的产品形态主要以用于影像识别与处理的软件为主，极少数结合硬件。

2. 自动病理分类

疾病的病理分类是当前智能医学影像研究的重要问题。早期的病理分类通常分为三步，第一步是在影像中人工标注目标区域，第二步是对分割出来的区域进行识别分类，第三步是对整个诊断结果进行宏观的判断。

随着CNN的不断发展，分类器越来越强大，新的算法可以直接端到端（图像端到结果端）地对图像进行分类并检测物体。但目前可利用的医学影像图像数据量通常较少，为深度神经网络的训练带来了难题。

3.智能手术视频解析

手术视频解析是智能外科的重要组成部分，是智能手术的基础。对手术视频的内容进行解析，让机器理解当前手术视频中的操作，可以使计算机帮助医师在手术中做出合理的选择，协助医师规划下一步的手术操作，并通过比对数据库中的内容揭示医师手术中各个操作的细节。

尽管手术视频解析起步较晚，目前只能应用于一些简单的手术（如胆囊切除术）中，但其已经具备成熟的技术思路和方法。

三、辅助诊疗

当拥有足够数量质量的医疗数据后，就具备了做出正确诊断的数据基础条件，AI深度学习便可以发挥作用了，可更高效地处理海量数据，迅速找到特征和规律。在图像识别上，人工智能的优越性表现的特别突出。

用于辅助诊断的方向中除了上面提到的医学影像领域之外，人工智能还可以利用大量高质量病历数据的优势，以真实的海量临床电子病历大数据为基础，融合临床指南、专家共识和医学文献，结合分析和深度学习技术建立多维度诊疗模型，对病历进行大量标注工作，通过人工智能提供初步的诊断提示，提高患者和医生的寻医问诊效率。

四、基因数据分析

基因二代测序技术产生了大量的测序数据，AI在基因大数据的分析上亦表现出良好的应用趋势。

随着计算机算力的不断提升，超级计算机强大的数据处理能力可以对TB级的海量基因组数据进行处理和挖掘，从而极大地缩短基因检测的时间，提高基因检测效率。

在此基础上，催生出两种致力于疾病风险预测的公司，一类是面向B端如医院、企业等，研发并提供能够实现肿瘤基因、遗传基因、传染病等疾病预测的基因测序仪；另一类则是以疾病风险预测为重点，面向C端公众开放基因测序服务。

目前，AI与大数据在医药领域的科研和产业发展方兴未艾，毫无疑问，AI和大数据和生物医药领域的融合必将不断的深化和广化，更多的成功案例将不断涌现。

国内也面临着人工智能人才缺少且成本高昂，数据归属不明确、质量不高、标准没有统一、获取难度高，医疗器械审批难度大等种种问题。亟待国家、企业、医疗机构和科研人员的共同努力，实现人工智能与大数据对生物医药行业的充分赋能。