一项发表在《自然》杂志上的观点文章首次概述了AI技术的进步如何加速传染病研究和疫情应对。该研究特别强调了在传染病研究中部署和使用AI时的安全性、责任和伦理问题。
这项研究呼吁创建一个协作和透明的环境，无论是数据集还是AI模型都需要开放共享。该研究是由牛津大学（University of Oxford）的科学家与来自非洲、美洲、亚洲、澳大利亚和欧洲的学术界、工业界和政策组织的同事合作完成的。
到目前为止，AI在医疗领域的应用主要集中在个体患者护理方面，例如增强临床诊断、精准医学或支持临床治疗决策。而这篇综述则考虑了AI在群体健康中的应用。研究表明，最近AI方法的进步即使在数据有限的情况下也能表现得越来越好——这一直是主要瓶颈。更好的性能使得AI工具能够在高收入和低收入国家中更好地改善健康状况。
牛津大学大流行科学研究所（Pandemic Sciences Institute）的首席作者莫里茨·克拉默教授（Professor Moritz Kraemer）表示：“在未来五年内，AI有潜力彻底改变大流行病的准备情况。它将帮助我们更好地预测疫情爆发的位置及其轨迹，利用常规收集的气候和社会经济数据。它还可能通过研究免疫系统与新兴病原体之间的相互作用来预测疫情对个体患者的影响。”
这些进步如果整合到各国的大流行病应对系统中，将有可能挽救生命，并确保世界更好地应对未来的疫情威胁。
研究报告中确定的AI在大流行病准备方面的机遇包括：
- 改进现有疾病传播模型，使其更加稳健、准确和现实。
- 确定高传播潜力区域，确保有限的医疗资源得到最有效的分配。
- 提高疾病监测中的基因数据质量，最终加快疫苗开发和新变种的识别。
- 帮助确定新病原体的特性，预测其特征，并识别跨物种传播的可能性。
- 预测已流通病原体（如SARS-CoV-2和流感病毒）的新变种，并确定哪些治疗方法和疫苗能最好地减少其影响。
- 将人群层面的数据与个人来源的数据（如心率和步数等可穿戴技术数据）结合起来，以更好地检测和监测疫情。
- 创建一个新的接口，使AI工具在培训有限的环境中也能提高医疗保健专业人员的能力。
然而，并不是所有的大流行病准备和响应领域都会受到AI进步的同等影响。例如，蛋白质语言模型有望加速对病毒突变如何影响疾病传播和严重程度的理解，而基础模型的进步可能只会在现有方法上提供适度改进。
科学家们谨慎地指出，AI不会单独解决传染病挑战，但将人类反馈整合到AI建模工作流程中可能会克服现有局限。
作者特别关注训练数据的质量和代表性、AI模型对更广泛社区的可访问性以及黑箱模型用于决策的潜在风险。
斯克里普斯研究所转化医学研究所（Scripps Research Translational Institute）创始人兼主任埃里克·托波尔教授（Professor Eric Topol）说：“虽然AI在减轻大流行病方面具有显著的变革潜力，但它依赖于广泛的全球合作和全面、连续的监测数据输入。”
该研究的主要作者、哥本哈根大学（University of Copenhagen）和帝国理工学院（Imperial College London）的萨米尔·巴特（Samir Bhatt）表示：“传染病爆发仍然是一个持续的威胁，但AI为政策制定者提供了一套新的强大工具，以指导何时和如何干预的明智决策。”
作者建议制定严格的基准来评估AI模型，倡导政府、社会、产业和学术界之间的紧密合作，以实现可持续和实用的模型开发，从而改善人类健康。
(全文结束)
