Eroom 定律怎么破？這是新藥開發商最頭疼的問題。
盡管制藥公司幾十年來不斷增加投資，但投資 10 億美元得到的上市新藥數目每 9 年就減少一半，這一現象被稱作 Eroom 定律。Eroom 是 Moore 單詞反拼，意思是與摩爾定律相反，后者意思是價格不變時，集成電路上可容納的元器件的數目，約每隔 18 ～ 24 個月便會增加一倍，性能也將提升一倍。
作為醫學 AI 的領銜者，IBM 的醫療人工智能部門 Watson Health 深耕 AI 多年，希望找出破解 Eroom 定律之道。那么，該題有解了嗎？
7 月 17 日，《藥理科學趨勢》雜志（Trends in Pharmacological Sciences）發表來自 IBM Watson Health 人工智能團隊的綜述文章《臨床試驗設計中的人工智能》（下稱 IBM 文章）指出，AI 可以加快藥物臨床試驗的成功，從而助力破解 Eroom 難題。
然而，實際情況是，人工智能確實在臨床試驗前的藥物研發階段讓研發提速，但進入臨床試驗階段，情況卻截然不同。
截至目前，AI 最大的優勢是在實踐中訓練學習，試驗規模越大對訓練學習越有利，但新藥的臨床試驗大都只有數百例，這就局限了機器的學習能力。而且，AI 更適合解決明確的問題，如識別病理圖像；而不是模糊不清的問題，如分析電子病歷，也就是說，目前AI無法理解醫療信息中的模糊性。
由于機器學習方式和醫生工作方式之間的不匹配，IBM Watson 正在遭遇挑戰。
Eroom 定律何來
政府監管部門的作為有限，藥品開發商只能尋求新的藥物開發手段，多家巨頭將目光投向了 AI。
計算機技術很早就介入了臨床試驗前的藥物研發，如前文所述的針對靶點的化合物篩選。據同期《藥理科學趨勢》雜志發表的來自中國科學院深圳先進技術研究院醫藥所計算機輔助藥物設計中心的袁曙光課題組文章《利用人工智能助推新藥研發》稱，AI 在藥物作用靶標預測、藥物分子結合位點預測、靶標蛋白三維結構預測、計算機虛擬篩選、海量虛擬數據的構建、藥物分子適應癥的預測、化學合成布局、藥物分子結構改造、藥物毒理毒性預測、藥物分子水溶性預測以及臨床前藥物研發最后期的分子晶形預測等多個環節發力。與傳統新藥研發管線比，基于 AI 和生物計算的新藥研發管線平均 1 - 2 年就可以完成臨床前藥物研發。
然而，對于藥物研發而言，更大的挑戰在于臨床試驗階段。IBM 的文章指出，目前只有不到三分之一的 2 期受試藥物進入 3 期，其中三分之一的 3 期試驗失敗并非因為藥物療效或副作用，而是歸咎于缺乏足夠符合要求的患者，尤其是在其后期階段缺乏可靠和有效的依從性控制、患者監測和臨床終點檢測系統。要知道，3 期的成本占據了整個臨床試驗周期的 60%，而每次臨床試驗失敗導致的損失達到 8 億至 14 億美元。
依從性和脫落率，是臨床試驗的兩個重要指標。依從性是指患者執行醫囑的程度，脫落則是指受試者進入臨床試驗后，由于各種原因不能完成試驗規定的全部流程。要知道，藥物臨床試驗的目的是確定試驗用藥的安全性和療效，而受試者依從性差或者發生脫落對試驗用藥療效及安全性的客觀評價可能產生不利影響。平均而言，臨床試驗中只有 15％ 沒有患者脫落，平均脫落率為 30％。
王晨光介紹說，在中國的臨床試驗中，受試者的依從性差和脫落率高更是難題。很多患者總希望嘗試各種偏方和另類療法，有眾多不可控因素影響受試者的依從性和脫落率。
IBM 文章指出，AI 可以有效地檢測反映被測藥物有效性的生物標志物，以及識別最適合的藥物受試人群。盡管 AI 尚未對臨床試驗產生重大影響，但基于 AI 的模型已經在進行試驗設計與患者招募的嘗試，而基于 AI 的監測系統旨在提高臨床試驗的研究依從性，以提高患者用藥與醫囑的一致性，并降低受試者在臨床試驗中的脫落率。
IBM 文章認為，AI可以通過計算機視覺算法識別手寫病歷、數字醫學圖像來確定相關患者群體，也可以分析失敗的臨床試驗數據以改善試驗設計，使用機器學習（ML）、深度學習（DL）和自然語言處理（NLP）等來關聯大型和多樣化數據集，如電子健康記錄、醫學文獻和試驗數據庫，以幫助制藥改進試驗設計、患者-試驗匹配和招募以及在試驗期間監測患者。
IBM 的挑戰
Watson 從未真正參與過醫療診斷過程，只是幫助確定患者的治療方案。Watson 參與臨床決策的基礎是其自然語言加上提出假設和基于證據的學習能力。一旦醫生向系統提出問題，Watson 首先解析輸入信息來找出最重要的信息，然后挖掘患者數據，找出與患者診療和遺傳史相關的事實，隨后檢查可用的數據源以提出和檢驗假設，最后給出個性化、有依據的建議。Watson 用于分析的數據來源可包括治療指南、電子病歷、醫療服務提供者的說明、研究材料、臨床研究、期刊文章和患者信息。
IBM 將他們與梅奧診所（Mayo Clinic）的合作作為 AI 應用于臨床試驗的成功案例。據悉，應用 Watson 的臨床試驗匹配系統后，梅奧診所乳腺癌臨床試驗的參與人數在 11 個月內增加了 80％ ，篩選臨床試驗匹配患者的時間明顯減少。
而此前，只有 5％ 的癌癥患者參與了美國的臨床試驗。臨床試驗參與率過低導致許多臨床試驗進展緩慢，患者也難以獲得更好的治療方法。
IBM 文章也承認，目前的 AI 介入臨床試驗挑戰不小。一方面缺乏數據收集的監管框架，導致電子病歷格式差異很大，彼此不兼容或根本不兼容，并且各個醫療機構之間的病歷共享機制也遠未成熟。另一方面，嚴格的監管限制了第三方獲取患者數據，甚至患者自己都難以訪問自己的數據。
此外，DeepTech 接觸的幾位業內人士認為，AI 并非解決臨床試驗中受試者依從性差和脫落率高的唯一途徑和最好手段。
數據的精確度是 AI 應用的挑戰。曾在多家跨國藥企負責腫瘤藥物開發的陳達維博士認為，IBM 的 Watson 還在很初步的階段。AI 的關鍵是學習，但學習是基于人們的已知知識，如果已知的不準確、不全面，則機器學習的結果不可能準確。而藥物研發的本質就是不需要、也做不到全面和準確，因為只要能把藥物批準上市就是一切。假如 Watson 要根據某篇論文推薦用藥的最佳人群，而這篇論文并沒有什么明確的結論，沒有客觀可靠的數據支持，機器便無法判斷以及給出靠譜的建議。
藥廠的試驗數據都是不公開的，藥廠之間無法共享數據，也就沒有大數據和機器學習的基礎。
陳達維認為，在提高臨床試驗的依從性與降低受試者脫落率問題上，AI 與人工操作“可能是互有優劣”。對于上萬人的臨床試驗，AI 應該效果更好，而對于不同國家、不同醫院、不同醫生的情況，大數據的概念可能就無法順利應用。
王晨光也持類似看法。AI 最大的優勢是在實踐中訓練學習，試驗規模越大對訓練學習越有利，但新藥的臨床試驗大都只有數百例，這就局限了機器的學習能力。
尷尬現實
IBM 的“AI 醫生”之路正面臨著尷尬局面。盡管有著 1997 年深藍（Deep Blue）贏得國際象棋勝利的戰績以及 2011 年在智力問答電視節目中打敗人類智力競賽冠軍的輝煌，但近期卻在醫療領域遇挫。早在 2018 年上半年，IBM Watson Health 業務裁員高達 50% 到 70%。同樣在今年 7 月，媒體曝出 IBM Watson Health 負責腫瘤、生命科學和個人健康的副總裁兼總經理 Lisa Rometty 將離職。
一個事實是，截至目前，美國 FDA 只批準了少數 AI 工具用于現實中的醫療系統，都是基于視覺圖像的 AI 工具，如 X 射線和視網膜掃描。換句話說，AI 更適合解決明確的問題如病理圖像，而不是模糊不清的問題，如電子病歷分析。
關注 DeepTech
發現改變世界的新興科技
