药物发现正在适应新技术，如数据科学、信息学和人工智能（AI），以加速有效治疗的开发，同时减少成本和动物实验。 AI 正在改变药物发现的方式，成功的药物发现需要优化与药理动力学、药代动力学和临床结果相关的特性。本文讨论了 AI 在药物发现的三个支柱（疾病、靶点和治疗模式）中的应用，重点关注小分子药物。

Jul, 2023

通过与皮肤科医生在一个具有多个不同医院和摄像机配置、罕见黑素瘤亚型和特殊解剖部位的异质测试集上进行比较，我们评估了 “全数据扩展”（ADAE）算法在黑素瘤检测中的诊断准确性，并提高了算法的泛化能力。与皮肤科医生相比，AI 在异质数据集上表现出更高的平衡准确度和敏感度，但牺牲了特异性。因此，AI 在诊断复杂情况时可能有潜力支持皮肤科医生。

Jan, 2024

大多数研究评估神经影像学异常检测的人工智能模型不具备代表性的患者队列或不完全验证，导致其在现实任务中的泛化能力较差。本研究的目的是确定诊断试验的准确性，并总结支持使用执行首要、大容量神经影像任务的人工智能模型的证据。

May, 2024

本综述分析了 40 项使用人工智能模型（主要是机器学习模型）预测 2 型糖尿病（T2DM）风险的研究，结果显示单模态和多模态模型表现良好，但是外部验证和新型生物标志的应用不足。

May, 2023

多模态人工智能系统能够通过解释各种类型的医疗数据来增强临床决策，本研究引入了一种利用大型语言模型作为中央推理引擎的多模态医疗人工智能的替代方法，通过验证该系统在临床肿瘤学场景中的表现，证实了语言模型能够作为专科、以患者为中心的临床助手的有效性。

Apr, 2024

设计了一个基于患者和药物特征的全面药物推荐系统，将数据从多个数据库中整合为一个患者和药物信息的数据集，其中使用了人工智能模型、自然语言处理方法和推荐系统算法进行数据建模，通过药物相互作用、患者条件和药物特征生成了基于矩阵分解的模型，构建了基于规则的知识库系统。

Dec, 2022

本文综述了人工智能在药物发现领域中的优势、挑战、局限性及其可能的应对策略，讨论了数据增强、可解释性人工智能和将人工智能与传统实验方法相结合的潜在优势。总的来说，本文强调了人工智能在药物发现中的潜力，并提供了在这个领域实现其潜力的挑战和机会的见解。

Dec, 2022

药物行业中人工智能的应用已经经历了持续增长的阶段，主要应用于药物研发、个体化医学和癌症等治疗领域。使用先进的机器学习算法，通过考虑环境条件、生活方式和健康历史等因素，可以为每个个体制定定制化的治疗方案，从而优化健康结果。

Nov, 2023

本研究系统地综述了过去使用深度学习和机器学习进行基因测序或组织学影像检测和治疗乳腺癌的相关工作，并为将来的研究者提供了建议。

Mar, 2022

本文提出了一种基于人们评论的文本生成词云的深度学习模型，以探测潜在药物安全信号，并在法国的 Levothyrox 案例上进行了评估。结果表明，提出的指标可以用于有效检测新的安全信号，同时，每月生成的文本的词云训练的 WC-CNN 模型的准确率为 75%。

Feb, 2022