本文由人工智能观察编译

译者：Sandy

有数据显示，每年有数百万人会受到阿尔茨海默病（俗称老年痴呆）的影响，而根据阿尔茨海默病协会（Alzheimer’s Association）的说法，该病症在美国是第六大死亡原因，比乳腺癌和前列腺癌的人数总和还要多。此外，该疾病的治疗也很昂贵，如果可以被早期诊断出来便可节省大约7.9万亿美元的医疗与护理费。

Unlearn.AI是一家为临床研究设计软件工具的初创公司。在该公司的研究人员看来，人工智能在个性化诊断和治疗方面起着重要的作用。根据他们发表在Arvix.org的一篇名为《利用深度学习对阿尔茨海默病进行全面个性化的预测》（Using deep learning for comprehensive, personalized forecasting of Alzheimer’s Disease progression）的论文，研究人员提出了一个预测疾病进展的系统，从本质上来说，是用于预测独立病体在未来会经受的每个病症阶段。

“两名患有相同疾病的患者可能会出现不同的症状，有不同的发病率进展，同时，对相同的治疗手段有不同的反应，”研究人员写道。“了解如何预测和管理病人之间的差异是精密医学的主要目标。使用机器学习算法开发的疾病进展计算模型就提供了一个强有力的工具来对抗患者之间的异质性。”

不过，基于人工智能的追踪神经性衰退疾病的工具并不是一个新鲜事物。在此之前，来自蒙特利尔麦吉尔大学的神经学家就开发了一种PET扫描-摄入算法，该算法在预测老年痴呆症上的准确率可达84%。此外，杜克大学和克罗地亚Rudjer Boskovic研究所的科学家们还利用机器学习来发现随着时间的推移，大脑组织所发生的变化。

与之不同的是，Unlearn.AI的系统采用了一种无人监督的学习方法，换句话说，该算法使用的数据是没有被分类或标注的。此外，它还可以同时计算一个病人的多个特征的预测和置信区间。

从整个预测过程看，可分为两个部分：

首先，研究小组采用了一种编码的对抗机器（BEAM）来模拟临床数据，这是一种非常适合分类和特征建模任务的神经网络。他们在对抗主要疾病（CAMD）的老年痴呆症在线存储库中对该神经网络进行了训练和测试。这个数据库拥有1908位患者的18个月病症数据，涵盖了42个变量，其中包括ADAS-Cog（一种被广泛使用的认知亚量表）以及简易精神状态检查表（Mini-Mental State Examination，一份用于检测临床和研究环境认知障碍的问卷）。

接着，研究小组使用经过训练的模型来生成“虚拟病人”以及其相关的认知测试分数、实验室测试和临床数据。模拟是针对独立病患进行的，以便在语言、定位和命名等领域探测其疾病进展，并计算ADAS-Cog的分数。

研究人员表示，无人监督的模型能够在至少18个月的时间里做出准确的预测，并且他们相信该系统也可以被用于其他神经衰退类疾病的预测。

“我们所描述的这个模拟疾病进展的方法可以很容易扩展到其他疾病领域。”研究小组写道，“深度模型在临床数据上的广泛应用可以产生比真实医疗数据更低的隐私问题的合成数据集，也可以用来进行模拟临床试验，以优化研究设计。在某些疾病领域，使用模拟来预测特定个体风险的工具可以帮助医生为他们的病人选择合适的治疗方法。”

（文中图片来自网络）

投稿、约访、合作，联系邮箱aiobservation@qq.com

添加微信aixiaozhijun，更多交流或进AI观察团