最近，AI已被有效地应用于肿瘤图像分割、识别和量化有丝分裂的速率和数量、筛选突变、从癌细胞中自动检测和分类无害细胞核、蛋白质构型和空间定位、试图预测未识别的代谢物、精准医学匹配试验、药物再利用、液体活检和基于药物基因组学的癌症筛查和控制。基于AI的癌症诊断、分层、突变识别、治疗和药物再利用策略可能在精准肿瘤学研究中有用。
AI和机器学习(ML)可以帮助管理慢性疾病，如糖尿病。事实上，ML和AI已经被用于根据基因数据预测糖尿病风险，利用电子健康记录(HER)数据诊断糖尿病，尽量减少肾病和视网膜病变等并发症的可能性，诊断糖尿病视网膜病变。0
药物研发管线：靶点识别和验证
靶点的识别和批准是药物推进措施中的重要阶段。化学信息学技术在改进计算机模拟药物设计和发现方面具有很大的潜力，因为它们允许在几个层面上整合数据，从而提高了数据的可信度。化学结构相似性搜索、数据挖掘/ML、面板对接和基于生物活性谱的方法仅是常规且成功算法的几个示例。基于配体的相互作用指纹图谱(LIFt)方法使用基于物理的对接和采样方法预测小分子药物的潜在靶点，蛋白质-配体相互作用指纹图谱(PLIF)方法使用指纹图谱方案总结配体和蛋白质之间的相互作用。在两种情况下均发现了p38MAP激酶和GPR7的化合物。确定一个靶标对给定的生物途径、分子过程或疾病是否重要的过程耗时且昂贵。当结合紧密的数据过滤和统计时，靶标验证效率可以显著提高，因为高通量筛选暴露了相关疾病模型中的细胞反应。为了证实基因功能和/或基因调控网络，可以使用全基因组方法和功能筛选，如RNAi和CRISPR-Cas9。当电子病历和临床试验数据可用时，现在可以记录并检查给药/干预期间的个体间变异性。除分子和临床数据外，还可利用综合数据挖掘算法，利用文献中的自由文本数据寻找新药。02
AI在肿瘤药物研发和精准治疗中的新作用
AI用于预测抗癌药物作用或帮助发现抗癌药物（图）。各种恶性肿瘤和药物的反应可能不同，来自大型筛选过程的信息证明癌细胞遗传多样性以及治疗之间的联系。Lind等人使用ML的监测数据创建合成数据。根据目前癌细胞基因组的突变位置，该模型用于预测抗癌药物的有效性。ML算法已被证明可准确预测胃癌、卵巢癌以及子宫内膜癌患者的药物敏感性。AI在评估抗癌药物敏感性方面具有很大的前景。AI在对抗癌症药物耐药性的斗争中也很重要。通过研究和评估关于巨大耐药癌症的信息，AI可以迅速理解癌细胞如何对癌症治疗产生耐药性，这可以帮助增强药物改善和药物使用。
图.AI在癌症中的应用
癌症成像、癌症治疗、癌症筛查和检测、癌症药物和其他领域可从AI中获益。癌症成像是目前AI在整个癌症研究中最先进的用途。
在癌症治疗领域，AI主要