人工智能技术从开发至今，在医学研究领域取得了长足的发展，如今其能有效帮助科学家们预测人患多种疾病的风险，比如癌症、糖尿病等，本文中，小编整理了多篇重要研究成果，共同聚焦人工智能技术如何改善人类多种疾病的诊疗，分享给大家！
本文研究的总体方案。
图片来源：Mathios,D.,etal.NatCommun12,().doi：10./s---w
NatCommun：新型人工智能血液检测技术或能高效识别出肺癌患者准确率高达90%以上！
doi：10./s---w
对机体游离DNA（cfDNA）评估的无创手段能为癌症检测和干预提供很好的机会；近日，一篇发表在国际杂志NatureCommunications上题为“Detectionandcharacterizationoflungcancerusingcell-freeDNAfragmentomes”的研究报告中，来自约翰霍普金斯大学医学院等机构的科学家们通过研究开发了一种新型人工智能血液检测技术，其能在来自约名患癌或不患癌个体的样本中检出超过90%的肺癌病例。
这种名为DELFI（对早期截留片段的DNA评估，DNAevaluationoffragmentsforearlyinterception）的检测技术能发现循环在血液中的癌细胞脱落的DNA片段的独特模式，研究人员将这一技术应用到了来自丹麦、荷兰和美国的名个体机体所采集的血样中，结果发现，DELFI技术能准确区分出肺癌患者和非肺癌患者。将这种检测技术与临床风险因素、蛋白质生物标志物结合起来，随后利用计算机断层扫描成像，DELFI技术就能帮助检测出94%的各期和各亚型的癌症患者；这其中就包括91%的早期或侵入性较低的I/II期癌症患者和96%的晚期III/IV期癌症患者。
肺癌是引发癌症死亡最常见的原因之一，每年全球大约会有万人因肺癌而死亡；然而仅有不到6%的存在肺癌风险的美国人群会接受推荐的低剂量计算机断层扫描筛查，尽管预测可以避免数以万计的患者死亡，但全球接受筛查的人群少之又少；这或许是多种原因所造成的；包括对调查假阳性成像结果的潜在危害的担忧、辐射暴露或担心侵入性手术所产生的并发症等。很显然，开发替代性的无创检测技术或能改善高风险个体的癌症筛查，并最终改善一般人群的癌症筛查，而这是目前临床上迫切需要解决且未得到满足的一项挑战；研究者相信，针对肺癌的血液检测或液体活检或许是增强筛查工作的一个好方法，因为其很容易就能做到，而且可以被广泛使用，且具有一定的成本效益。
Nature：利用人工智能系统Alphafold发布最完整的预测人类蛋白质三维结构数据库
doi：10./s---1
年7月22日，DeepMind宣布与欧洲分子生物学实验室（EMBL）合作，为人类蛋白质组的预测蛋白质结构模型建立迄今为止最完整、最精确的数据库。这将涵盖人类基因组所表达的全部约00种蛋白质，并且这些数据将免费向科学界公开提供。该数据库和人工智能系统为结构生物学家提供了探究蛋白质三维结构的强大的新工具，并提供了一个宝贵的数据宝库，可能开启未来的进步，并预示着人工智能驱动的生物学的新时代。
AlphaFold于年12月被蛋白质结构预测关键评估（CriticalAssessmentofproteinStructurePrediction，CASP）的组织者认可为解决蛋白质结构预测这一具有50年历史的巨大挑战的方案，这对该领域是一个惊人的突破。AlphaFold蛋白质结构数据库建立在这一创新和几代科学家的发现之上，从早期的蛋白质成像和晶体学的先驱，到后来成千上万的花了数年时间对蛋白质进行实验的预测专家和结构生物学家。该数据库极大地扩展了积累的蛋白质结构知识，使科学家们可用的高精度人类蛋白质结构的数量增加了一倍以上。推进对这些构成生命的基石（即蛋白）的理解，将有助于各个领域的研究人员加速他们的工作。这些基石支撑着每种生物中的每一个生物过程。
Alphafold是去年12月宣布的支持这些结构预测的先进人工智能系统。年7月15日，Nature期刊公布了Alphafold最新高度创新版本背后的方法及其开放源代码（Nature，，doi：10./s---2）。7月22日的最新成果以论文的形式发表在Nature期刊上，论文标题为“Highlyaccurateproteinstructurepredictionforthehumanproteome”。该论文提供了构成人类蛋白质组的蛋白质的最完整图片，并发布了来自另外20种对生物研究很重要的有机体的蛋白质结构图片。
FrontCardiovascMed：新型人工智能工具或能通过测定机体心脏周围的脂肪水平来预测个体患糖尿病的风险
doi：10./fcvm..
心周脂肪（PAT，Pericardialadiposetissue）或许是机体心血管疾病的一个新型的风险标志物，然而由于缺乏快速的无辐射PAT定量方法，因此目前科学家们无法开展对大样本的检查。近日，一篇发表在国际杂志FrontiersinCardiovascularMedicine上题为“AutomatedQuality-ControlledCardiovascularMagneticResonancePericardialFatQuantificationUsingaConvolutionalNeuralNetworkintheUKBiobank”的研究报告中，来自伦敦大学玛丽皇后学院等机构的科学家们通过研究开发了一种新型的人工智能工具（AI），其或能从MRI扫描图像中自动测定心脏周围的脂肪含量。
利用这种新型工具，研究人员就发现，心脏周围的脂肪量越大，个体患糖尿病的可能性就越大，而这与个体的年龄、性别和BMI无关。脂肪在机体中的分布会影响一个人患多种疾病的风险，常用的BMI衡量指标大多能反映皮肤下的脂肪堆积情况，而并非是机体内部内脏周围的脂肪情况。尤其是有些研究人员认为，心脏周围脂肪的积累可能是心脏病的预测因素，且与一系列疾病发生直接相关，包括心房颤动、糖尿病和冠状动脉疾病等。
研究者ZahraRaisi-Estabragh说道，不幸的是，手动测定心脏周围脂肪的水平对于我们而言极具挑战性，而且非常耗时。基于这个原因，到目前为止，还没有科学家能在大规模的人群中来彻底研究这一问题。为了解决这个问题，本文中，研究人员开发了新型AI工具，其能应用于标准的心脏MRI扫描中，并能在三秒内自动快速获取心脏周围脂肪的测定结果；该工具还能被研究人员未来用于发现更多心脏周围脂肪与疾病风险之间的关联，同时还有可医院进行标准护理的一部分内容。
Gabor-CNN被用来训练诊断工具从而识别患者的心电图模式。
图片来源：V.Jahmunah，etal.ComputersinBiologyandMedicine().DOI:10./j.