如何预测阿茨海默症病情演变

初创公司利用无监督学习方法开发出预测阿茨海默症进展的系统，可扩展到其他退行性疾病预测，助力精准医学。

每年，有数百万人饱受阿茨海默症（Alzheimer’s disease）的折磨。据阿茨海默症协会（Alzheimer’s Association），阿茨海默症是美国第6大死因，比乳腺癌和前列腺癌造成的老人死亡人数之和还多。它带来的经济负担也很大——早期诊断预计可节约7.9万亿美元的医疗保健成本。

Unlearn.AI是一家为临床研究设计软件工具的初创公司，其研究人员认为人工智能在个性化诊断和治疗中具有宝贵的作用。他们在预印本网站Arvix.org上发表了一篇名为“利用深度学习技术全面个性化地预测阿茨海默症的进展”的文章（Using deep learning for comprehensive， personalized forecasting of Alzheimer’s Disease progression），指出他们研发了能预测疾病进展的系统，其本质是预测患者在未来任一时间点会经历的症状。

“患有同种疾病的两名患者可能会表现出不同症状、不同的进展速度，对同样的治疗表现出不同的反应。”该研究团队写道，“了解如何预测和管理患者个体的不同，是精准医学的首要目标。利用机器学习技术构建的疾病进展计算机模型为克服这种患者异质性提供了一种有吸引力的工具。”

能追踪认知能力衰退的人工智能系统并不是从未出现过。加拿大麦吉尔大学（McGill University）的神经学家研发了基于正电子放射断层成像（PET）扫描的算法，识别患者发展出痴呆症的风险，准确率达84%。美国杜克大学（Duke University）和克罗地亚鲁德尔·博斯科维奇研究所（Rudjer Boskovic Institute）的科学家利用机器学习发现了大脑组织缺失随时间推移的改变。

但是，Unlearn.AI的系统采用了无监督学习方法，意味着其使用的数据尚未分类或标记。而且，该系统还同时计算一名患者多种特征的预测值和置信区间。

Unlearn.AI的方法分两步进行。首先，研究团队通过波尔兹曼编码对抗式机器（Boltzmann Encoded Adversarial Machinem， BEAM）对临床数据建模，这种神经网络非常适合分类和特征建模任务。他们利用抗重大疾病联盟（Coalition Against Major Diseases， CAMD）阿茨海默症在线数据仓（Online Data Repository for Alzheimer’s Disease）对其系统进行了训练和测试。该数据仓包含了1908名患者18个月的42种测量变量，其测量条目包括了常用认知能力次量表ADAS-Cog及临床和研究中测量认知障碍的问卷“简易精神状态检查表”（Mini-Mental State Examination）。

第二步，该研究团队利用训练后模型生成“虚拟患者”及其相关的认知检查分数、实验室检查、以及临床数据，对患者进行模拟，预测其在单词回忆、定位和命名等方面的疾病进展，然后又反过来利用这些数据计算ADAS-Cog总分数。

研究人员表示，这种无监督模型能得到至少18个月的ADAS-Cog准确预测值，并相信它可用于预测其他退行性疾病患者的结局。“我们在此描述的这种模拟疾病进展的方法可以轻松扩展到其他疾病。”该团队写道，“深度生成式模型在临床数据的广泛应用可以产生合成数据集，比真实医学数据在隐私方面的担忧更少，也可用于进行模拟临床试验，优化研究设计。在某些疾病领域，通过模拟预测特定个人风险的工具能帮助医生为患者选择最适合的治疗。”