美国食品药物管理局（FDA）近年发现，使用机器学习方法进行研究的药物与生物制品，申请提交的数量显著增加，截至 2021 年提交报告数量超过 100 个。有鉴于此， FDA 的药物评估与研究中心（CDER），与生物制品评估研究中心（CBER）和设备和放射性健康中心（CDRH），包括数位健康卓越中心（DHCoE）合作，于今年 5 月联合发布一篇讨论文章，以政府机关的整合角色，促进与各方利益相关者讨论在药物开发方面使用人工智能和机器学习（AI/ML），期望能借由登高一呼，推动建立跨领域完整生态系统的浪潮。
赛诺菲瞄准人工智能领域，矢志以科技革新制药产业（基因线上国际版）浅谈人工智能技术
人工智能科技是利用数学、统计学与计算机科学的方法，对目标资料进行相关性分析（Correlation analysis）、回归预测（Regression Prediction）、分类（Classification）与分群（Clustering），期望找出隐藏在巨量资料下的规律与趋势，并对真实世界的问题，使用数据进行评估、归纳与预测，目标是提供可能的解决方案与增进的建议。
有别于传统的条件式程式设计，由人类撰写人为定义的有限条件，对资料进行直接的处理。人工智能期望可以跳脱人工定义的框架局限性，直接建立数学算法模型，借由神经网络无数的神经元权重与偏量，使用梯度下降法对模型参数进行调整，找到符合最佳的函数解，建立优化的计算模型，而后再将资料数据输入模型，预测实验结果。
药物开发的人工智能技术运用
药物开发的过程复杂且漫长，牵涉到许多层面的因子与大量的可能性，为了缩小研究范畴找出更有潜力的候选药物，加快药物发现和开发进程，同时降低开发成本与失败率，人工智能的上述特性恰好可以符合药物开发的产研需求。
讨论文章列举了目前和潜在在药物开发中使用 AI/ML 的常见情境：
1.药物发现：药物标的识别与选择，化合物筛选与设计。
2.非临床研究：基础研究机构的算法模型测试。
3.临床研究：受试者招募与选择、剂量/用药方案优化、服药依从性与保留率、试验地点选择、临床试验数据收集、管理与分析、临床终点评估。
4.上市后安全监测：病例处置、评估与提交。
5.先进的药物制造：流程设计优化、先进的流程控制、自动化监控和维护、趋势监测。
呼吁各界专家学者的参与及合作
即使 AI/ML 加快药物开发过程的潜力显而易见，然而更重要的是应如何评估使用 AI/ML 是否带来特定的风险和损害？例如， AI/ML 算法有可能放大底层数据来源中既有的偏差，加剧在真实世界应用时产生的不良影响。
此外，随着全球数据的快速暴增，应用于训练人工智能模型的数据量规模遽增。而 AI/ML 模型结构复杂度快速上升的情况下，人类很难有效掌握全部的资讯，继而导致未知的风险。基于这些疑虑，建立值得信赖的 AI 使用准则就更显重要，其中必须包括可靠、可解释、且能保障使用者隐私安全的模型。
此讨论文章首先概述了 AI/ML 的一般应用与成功实践，并以潜在限制与问题做结，以征求各界人工智能与生医产业的专家学者对这些议题的反馈，呼吁生物医学界的参与和合作，并进一步在药物开发领域建立良好的实务方法。
FDA 特别列出发展药物开发人工智能应用的焦点层面：
1.针对人工智能系统需要有以人为本的监管机制：作为实务应用的最后一道守护。
2.巨量资料的品质管控：兼顾代表性、完整性、正确性、可解释性、可靠性、可追踪性、重复性、隐私性与安全性。
3.模型的效能与管控：风险评估与资源节约。
4.模型在真实世界的确效及验证：使用真实世界数据，实际评估模型的可行性。
人工智能的应用繁浩且飞速成长，通常制度与规范只能尽快跟上发展的速度，而借由国际的权威机构发声，未来将有望凝聚各界更多的关注与投入。
延伸阅读：药物发现新革命：大数据与人工智能创新参考资料:
- https://www.fda.gov/science-research/science-and-research-special-topics/artificial-intelligence-and-machine-learning-aiml-drug-development
- https://www.nature.com/articles/s41573-019-0024-5
- https://www.fda.gov/media/167973/download
- https://www.gmp-compliance.org/gmp-news/good-machine-learning-practice-fda-issues-discussion-paper-on-ai-ml-in-drug-development
