传统的药物开发方法侧重于多个目标，包括生物利用度、毒性和 ADME（吸收、分布、代谢和排泄），但并未特别关注患者的异质性。然而，随着精准医疗强调根据特定患者情况定制治疗方案，根据患者的异质性定制药物开发的需求对药物发现流程产生了重大影响。
在早期药物研发过程中，大多数精准医疗应用仍然依赖于有限数量的分子生物标记。然而，完全个性化的药物设计方法需要捕捉患者的完整分子图谱，以便根据异质分子图谱定制药物。这需要创新的新型分析策略，而目前人工智能技术正在为其提供支持。
随着人工智能技术的日益普及，生物标志物发现和药物设计发生了范式转变。例如，单变量生物标志物仍然是一些最先进的患者分层方法的基础。此外，一些复杂疾病通常缺 比利时手机数据 乏明确的单变量遗传生物标志物来指示药物敏感性。
人工智能工具有助于扩大生物标志物的范围，并在复杂的分子、化学和临床信息层面揭示药物和疾病模式。在许多复杂的癌症中，没有明确的遗传生物标志物指征，ML（机器学习）技术已成功用于确定与生物学可解释性和临床可转化性相关的最佳特征数量。事实上，这些先进技术有可能根据更易于解释和可操作的生物标志物更准确地识别疾病亚型，这为患者分层和亚型特异性治疗设计开辟了新的可能性。
此外，由于传统统计分析和工具无法提供大量数据，因此这些对生物标志物发现非常有价值的数据尚未得到利用。例如，癌症治疗会产生大量常规成像数据，这些数据可用于开发癌症成像生物标志物。但由于传统二维审查技术的局限性，CT、MRI 或 PET 扫描产生的许多成像数据都未被利用。
新兴的放射组学领域能够从标准医学图像中提取病变和肿瘤的不同结构和表型特征，而这些特征在传统图像读取技术中是无法通过光学方式看到的。放射组学使用人工智能算法提取以前未见过的数据模式，从而为发现新的生物标志物提供精确的见解。人工智能成像生物标志物可以帮助提高诊断准确性、预测治疗反应的可能性并确定临床终点。尽管到目前为止，放射组学已广泛应用于肿瘤学，但它现在正成为跨多个临床领域的“多组学”医学方法的重要组成部分。