随着精准医疗技术的不断发展 ， 针对某种癌症亚型或特定基因突变进行个性化治疗的靶向药物逐渐成为癌症药物治疗的主要手段 。 新抗癌药物的研发也大都集中在这一领域 。
目前 ， 为了确定患者所患的具体癌症亚型 ， 需要对患者的病灶组织进行基因测序 ， 通过不同的基因突变情况进行分类 ， 检测成本十分昂贵 。
商汤智慧医疗团队提出一种全新思路 ， 利用深度学习技术挖掘数字病理图像中的细胞特征信息 ， 从而判断组织的基因突变类别和相关生物信号通路信息 。
利用这一方法 ， 商汤智慧医疗团队成功预测了肺癌、乳腺癌、肝癌中的多个重要基因突变特征 ， 其中最好的预测性能指标（AUC）达到0.852 。
这一项研究为确定患者癌症亚型提供了新的思路和方法 ， 未来可能将大幅度降低确定癌症亚型成本 ， 造福癌症患者 。

文章图片

基于病理细胞图像的TP53基因突变预测
新药上市后：AI预测药物新适应证
鉴于新药研发超长的研发周期和巨大的投入 ， 上市后的老药新用可以基于已知的化合物信息 ， 以较低的成本和较短的周期进入临床 。 想要实现“老药新用” ， 就需要充分挖掘药物、疾病、蛋白之间的多维关系 ， 才能为预测新适应证提供更可靠的分析 。
商汤智慧健康团队创新训练了一套覆盖药物、疾病、蛋白多个领域间相互作用复杂关系的大规模GCN网络模型 ， 无需人工干预 ， 可自主学习各关键信息间关系 ， 自动化地对未知药物适应证进行精准预测 。
在公开的repoDB小分子药物重定向的数据集上 ， 此方法的预测结果比目前使用机器学习方法取得最好成绩的性能指标（AUC）提升了8%（0.792→0.857） 。

文章图片

基于药物、蛋白、疾病关系建模的药物重定向分析框架
目前 ， 利用这项研究结果预测出的某种上市的心脏疾病药物对于乳腺癌治疗的潜在有效性 ， 已经被临床文献所证实 ， 未来有望助力更高效的药物新适应证筛选过程 ， 推动老药新用的临床进展 。