在生命科学领域，只有少数研究人员能使用尖端技术，该技术让他们能够即时解读自己生成的数据，并在所有类似研究的背景下对数据进行可视化展示。一些临床医生能够为患者安排诊断测试，不仅能获取测试结果，还能基于数千名其他患者的经验数据，获得预后分析和治疗建议。
人工智能 ( AI ) 以及数据科学领域的其他创新正在使这些进展成为可能——但目前它们仍属于少数例外。我认为，我们需要扩大对这些技术的使用范围，最终使每一位患者都能从中受益。这一目标，我称之为“医疗健康的超大规模扩展”。
超大规模扩展有三个关键要素。第一是速度：即能比过去更快地收集和解读数据的能力。第二是扩大获取必要巨大计算能力的途径，以便快速、准确地收集和解读数据。第三是提高医疗行业专业人士从数据中生成新颖见解的能力，以便为患者带来突破性的进展。
医疗行业中有望从超大规模扩展获益的参与者包括生物制药和诊断开发及制造商。然而，他们需要克服一些挑战。例如，设备制造商已经开发出复杂精密的仪器，能让研究人员比以往的实验室技术更深入地探究生物学或病理学问题。问题在于，一些系统过于复杂，以致只有少数经过专门培训的人员才能高效使用；同时，这些新系统生成的数据量庞大，往往令人难以消化。
研发人员和科研设备制造商正携手制定有效的解决方案。要理解这些努力的重要性——并认识到超大规模扩展能够带来的深刻变革——有必要审视数据科学在医疗创新各阶段（从研究到患者护理）演变的历程。
超大规模扩展在研发和制造领域的应用
AI 正在推动“主动式工作流”，这种工作流能够即时适应新信息或不断变化的情况。主动式工作流通过为研究人员提供一种迅速解读所生成数值和图像的方式，从而改进研发。在显微镜技术方面，比如已内置的 AI 正被用于细胞分割，让研究人员能够实时测量细胞内的荧光。数据在图像拍摄过程中就被分析，这促进了诸如自动检测稀有事件和对发生这些事件的细胞进行选择性成像等先进流程。
AI 还使显微镜具备了解读图像数据并基于数据进行预测的能力。机器学习模型能够挖掘公开图像库，让研究人员能在更广阔的背景下分析数据，而不局限于旧技术所能提供的视野。
此外，AI 正在通过软件解决方案彻底改变质谱分析，帮助研究人员优化方法和工作流程效率。新软件解决方案能够将从质谱仪获得的数据集迅速转化为可操作的见解，并通过自动化简化定量流程。这些能力有望随着时间的推移不断提升。
在生物制药制造领域，数据科学正推动一种转变，即逐步摒弃在活细胞中生产抗体这一资源密集型工艺，该工艺需要严格执行纯化协议。在 AI 的帮助下，研究人员可以对制造生物药物所需的细胞过程进行建模，并开发、优化在无活细胞条件下合成这些药物的方法。
借助数据改善患者护理
我们这些生命科学工作者的共同目标是改善患者生活，数据科学的进步正为改进患者护理开辟诸多新机遇，其中包括开发更优的伴随和互补诊断技术。
举个例子，对一位刚刚被诊断出乳腺癌的患者来说，如今的诊断技术已经能够根据患者及其肿瘤的基因特征来确定最佳治疗方案。而当我们引入 AI 后，就能使肿瘤学家以全新的方式解读数据，从而可能改变患者病情的发展轨迹。AI 能够通过引入来自其他同类型患者的数据来对信息进行语境化处理，这样便能明确指出最有可能奏效的治疗方案。这是另一个处于快速开发阶段的领域，未来将会涌现出令人振奋的新型诊断工具。
借助数据科学实现医疗健康超大规模扩展的核心，将在于让所有为患者服务的人员都能轻松获取这一新技术。我们将不再依赖那唯一经过专门培训的实验室技术员，因为 AI 工具将变得直观易用，任何人都能利用它们来解读大量生成的数据。大语言模型正在促进操作人员与仪器之间更为直观的交互界面。
此次根本性变革在于整合。为了让 AI 在改善生物制药的发现与制造以及改变患者病程方面发挥最大效能，我们必须汇聚来自各个渠道的数据，并加快这些数据的可用性。这个过程不会一蹴而就，而是需要不断的微调和逐步推进。但这一切都是值得的，因为它将加速并深化这一注定拯救生命的患者护理变革。
关于作者
Jose-Carlos ( JC ) Gutierrez-Ramos 担任 Danaher 高级副总裁兼首席科学官。在此职位上，JC 负责制定 Danaher 的科学与技术战略，支持并购与开放式创新，同时为 Danaher 的运营公司提供创新机遇方面的咨询。他领导 Danaher 创新中心和 Danaher 科学咨询委员会，并与全公司内的技术领袖合作，推动最佳创新实践的分享和企业文化建设。他拥有马德里自治大学的免疫学博士学位，并曾在西班牙、德国和瑞士接受免疫学培训。他的学术生涯始于哈佛医学院遗传学助理教授职位，发表了 150 余篇经同行评审的论文。
