如果说人工智能可以在一个领域产生前所未有的积极影响，「医疗保健」一定是最有力的候选之一，尤其是对各种疑难疾病的早期诊断和治疗。

阿尔茨海默症就是其中之一。

随着人口老龄化的进展，越来越多老年人的大脑中就像出现了一块「橡皮擦」，记忆逐渐消除，忘记过去，忘记最亲近的家人，这严重影响了老年群体的生活质量。

目前，全球超过5500万人患有痴呆症（dementia），每年新增近1000万例。

痴呆症中最常见的类型就是阿尔茨海默症，占所有病例的60%-70%。预计未来50年内，痴呆症患者数量将增至近3倍。

在全球范围内，仅2019年，这种疾病给医疗保健系统带来的成本就达到了1.3万亿美元。

对于阿尔兹海默症，早期发现至关重要，因为此时治疗可能最为有效。

然而，如果不使用侵入性或昂贵的测试，如正电子发射断层扫描（PET）或腰椎穿刺（并非所有医疗机构都具备这些条件），痴呆症的早期诊断和预后可能不准确。

因此，多达三分之一的患者可能会被误诊，而其他患者则可能因诊断过晚而无法接受有效治疗。

此外，对于患病者来说，患有这种疾病可能会引发抑郁和焦虑。更不用说他们身边无助而绝望的亲人，亲眼见证患病者逐渐失去记忆、精神失常、情绪崩溃，自己却束手无策。

然而，AI技术的发展为这种情况带来了一些曙光。

剑桥大学心理学系的研究人员开发了一种新的人工智能模型，在预测阿尔茨海默症进展方面的表现优于目前的临床测试方法。

研究团队利用认知测试和MRI扫描，来预测轻度认知障碍患者是否会患上阿尔茨海默病。机器学习模型则使用非侵入性数据，准确预测了五分之四的阿尔茨海默病进展。

论文地址：https://www.thelancet.com/action/showPdf?pii=S2589-5370%2824%2900304-3

研究成果也发表在《eClinical Medicine》期刊上（由柳叶刀出版）。作者认为，利用人工智能诊疗的技术可以进行早期干预，减少对后期昂贵诊断程序的依赖。

准确预测阿尔茨海默病的病情进展

PPM模型

研究团队使用了认知测试和MRI扫描建立了模型，扫描的内容是美国研究小组收集的400名患者的灰质萎缩症（即大脑神经细胞死亡）。

为了弥合人工智能与临床转化之间的差距，论文基于PPM模型 (predictive prognostic model) 构建了一个强大且可解释的临床人工智能工具。

该模型超越了二元分类方法，可以预测疾病处于早期阶段的个体（轻度认知障碍，MCI），症状前期（认知正常，CN）的个体以及病情确诊阿尔兹海默症的个体（AD）。

PPM引入轨迹建模方法，从常规收集的多模态数据中可靠地预测未来疾病发展趋势。

并且，使用多种类型的患者数据，包括从研究队列推广到现实世界的患者数据，可以增强临床效用和在医疗保健领域采用的潜力。

PPM采用集成学习的GMLVQ框架，能够组合来自多种模态的数据（而不是考虑单一数据类型），比标准临床标记（即灰质萎缩、认知衰退）或临床诊断，更精确地预测早期病症转化为阿尔兹海默症的概率。

利用多模态数据的力量，从常规收集的非侵入性和低成本数据中进行预测，这些数据可能不如生物标志物敏感，但收集更经济容易且无创。

这种由人工智能引导的大模型早期预测方法具有强大的潜力：

首先可以预测患者健康水平并降低医疗保健成本，接受侵入性和昂贵诊断测试的患者将越来越少；

其次，将稀缺资源提供给最需要的人，可以提高医疗资源的分配效率；

最后，在诊所之间利用大模型进行标准化诊断，可以减少医疗保健中的不平等。

样本数据采集

研究使用来自美国的的600多名参与者样本，以及来自英国和新加坡诊所的900个额外样本对该模型进行了测试。

600名美国样本数据来自阿尔茨海默病神经影像学计划（ADNI）研究数据队列，用于 PPM 训练。

900名额外样本作为两个独立测试数据集进行样本外验证，分别是NHS 记忆诊所的脑结构和功能定量 MRI（QMIN-MC）和新加坡国立大学记忆衰老与认知中心数据集（MACC）。

这些数据集在患者人口统计数据和数据收集工具方面有所不同，使实验同时能够测试PPM模型对不同国家和地区群体的兼容性。

具体来说，对于ADNI，样本是根据与遗忘性MCI和阿尔茨海默病相关的特定标准进行选择的。

MRI数据是从美国的MRI采集点收集的。相比之下，QMIN-MC和MACC数据分别从英国和新加坡的代表神经病学和精神病学记忆服务机构收集。

因此，与招募的研究队列（ADNI）相比，这些患者队列通常更能反映出临床实践中遇到的患者具体情况。

实验结果

测试结果显示，这种算法能够区分患有轻度认知障碍的人和会在3年内病症发展为阿尔茨海默病的人。

并且，仅通过认知测试和MRI扫描，识别出三年内会患上阿尔茨海默病的人的准确率达到82%，以及正确识别81%的人不会患上阿尔茨海默病。

并且，它还能够追踪疾病的进展，根据病例不同的情况提供最合适的治疗方法。

AI模型还允许研究人员使用每个人首次就诊的数据，将阿尔茨海默病患者分为三组：症状保持稳定的人群（约占50%）、病症发展缓慢的人群（约占35%）和病症发展更快的人群（约占15%）。

这些预测在研究人员跟踪记录的6年随访数据时得到了验证。他们认为，人工智能解决方案在预测阿尔茨海默病进展方面比临床诊断准确3倍。

准确的提前预测非常重要，因为它可以帮助在早期阶段就识别出可能患病的人，同时也能识别出那些需要密切监测的人，因为他们的病情可能会迅速恶化。

「如果我们要应对痴呆症带来的日益严重的健康挑战，我们将需要更好的工具来尽早识别和干预。」剑桥大学心理学系教授Zoe Kourtzi说。

「我们的愿景是扩大人工智能工具的使用范畴，帮助临床医生及早发现患病群体和使用正确的方法治疗。在医疗资源面临巨大压力的时候，这也将有助于消除不必要的昂贵且有创诊断测试的需要。」

前期检测对于误诊的判定也很重要，那些有记忆丧失等症状但病情保持稳定的人中，他们的症状可能是由其他原因而不是痴呆症引起的，例如焦虑或抑郁。

CPFT名誉顾问精神病学家、剑桥大学精神病学系助理教授Ben Underwood博士表示，「随着年龄的增长，记忆问题很常见。在临床上，无法确定这是不是痴呆症的最初迹象，会给患者带来很多担忧。」

如果能精准识别病情稳定的群体并不是患有阿尔兹海默症，这也会极大减轻患者的心理压力。

Kourtzi 教授说，「人工智能模型的优劣取决于它们所训练的数据。为了确保我们的模型有可能在医疗保健环境中得到应用，我们不仅使用研究队列的数据，还要使用诊所中的患者数据，对其进行训练和测试。这表明该模型将能够推广临床应用中。」

展望未来，研究团队希望将他们的模型扩展到其他类型的失智症，如血管性失智和额颞叶失智，并使用不同类型的数据，如血液检查中的标记物。

这项研究得到了各种机构的支持，包括 Wellcome、英国阿尔茨海默病研究中心、皇家学会和英国国家健康与护理研究所剑桥生物医学研究中心。

早期痴呆症诊断

除了建立AI预测模型，欧洲大学都在积极利用人工智能技术，解决阿尔兹海默症难题。

在欧盟地平线计划的1400万欧元支持下，AI-Mind项目正在开发两种可以实现痴呆症早期诊断的人工智能工具。

AI-Mind于2021年启动，将持续到2026年。其合作伙伴包括七所欧洲大学，包括芬兰的阿尔托大学、爱沙尼亚的塔林大学和荷兰的拉德堡德大学医学中心。

它专门针对轻度认知障碍 (MCI) 阶段，该阶段没有结构性脑缺陷，仍然可以进行干预。

为了实现这一目标，该项目背后的13个合作伙伴正在构建AI-Mind Connector和AI-Mind Predictor。

Connector分析来自EEG的大脑图像，来检测可能导致痴呆症的早期迹象。

Predictor将这些数据与认知测试和血液分析相结合，以大于95%的准确率评估该疾病的患病风险。

这两种工具都将集成到目前医疗专业人员使用的云诊断平台中。

该项目的最终目标雄心勃勃：将诊断时间从2到5年缩短到1周。通过这种方式，希望延长MCI患者的无症状期。

追踪蛋白质团块

AI 在对抗痴呆症方面的另一个用例是加深我们对体内蛋白质团块的了解，并且跟踪蛋白质团块的病变情况。

为了使我们的身体正常运转，细胞内蛋白质和其他分子之间会发生数十亿次相互作用。

但是，当相互作用的反应过程发生病变时，蛋白质就会聚集成团块并且进一步恶化，从而导致阿尔茨海默症等神经疾病。

哥本哈根大学的研究人员开发了一种AI算法，可以在显微镜图像中发现十亿分之一大小的蛋白质团块。

该算法还可以计算团块数量，按形状和大小对其进行分类，并监测它们随时间的变化情况。

这样可以帮助科学家了解这些团块形成的原因，进而推动新药和新疗法的发现。

据该团队介绍，该工具只需几分钟即可自动完成研究人员需要数周才能完成的过程。

并且，该机器学习算法作为开源模型在互联网上可以免费提供使用。

「随着世界各地的研究人员开始部署该工具，这将有助于创建一个与各种疾病和生物学相关的大型分子和蛋白质结构库。」该研究的共同作者Nikos Hatzakis表示。

文章来源于“新智元”，作者“新智元”