初創(chuàng)公司利用無(wú)監(jiān)督學(xué)習(xí)方法開(kāi)發(fā)出預(yù)測(cè)阿茨海默癥進(jìn)展的系統(tǒng)，可擴(kuò)展到其他退行性疾病預(yù)測(cè)，助力精準(zhǔn)醫(yī)學(xué)。

每年，有數(shù)百萬(wàn)人飽受阿茨海默癥（Alzheimer’s disease）的折磨。據(jù)阿茨海默癥協(xié)會(huì)（Alzheimer’s Association），阿茨海默癥是美國(guó)第6大死因，比乳腺癌和前列腺癌造成的老人死亡人數(shù)之和還多。它帶來(lái)的經(jīng)濟(jì)負(fù)擔(dān)也很大——早期診斷預(yù)計(jì)可節(jié)約7.9萬(wàn)億美元的醫(yī)療保健成本。

Unlearn.AI是一家為臨床研究設(shè)計(jì)軟件工具的初創(chuàng)公司，其研究人員認(rèn)為人工智能在個(gè)性化診斷和治療中具有寶貴的作用。他們?cè)陬A(yù)印本網(wǎng)站Arvix.org上發(fā)表了一篇名為“利用深度學(xué)習(xí)技術(shù)全面?zhèn)€性化地預(yù)測(cè)阿茨海默癥的進(jìn)展”的文章（Using deep learning for comprehensive, personalized forecasting of Alzheimer’s Disease progression），指出他們研發(fā)了能預(yù)測(cè)疾病進(jìn)展的系統(tǒng)，其本質(zhì)是預(yù)測(cè)患者在未來(lái)任一時(shí)間點(diǎn)會(huì)經(jīng)歷的癥狀。

“患有同種疾病的兩名患者可能會(huì)表現(xiàn)出不同癥狀、不同的進(jìn)展速度，對(duì)同樣的治療表現(xiàn)出不同的反應(yīng)?！痹撗芯繄F(tuán)隊(duì)寫(xiě)道，“了解如何預(yù)測(cè)和管理患者個(gè)體的不同，是精準(zhǔn)醫(yī)學(xué)的首要目標(biāo)。利用機(jī)器學(xué)習(xí)技術(shù)構(gòu)建的疾病進(jìn)展計(jì)算機(jī)模型為克服這種患者異質(zhì)性提供了一種有吸引力的工具?！?/p>

能追蹤認(rèn)知能力衰退的人工智能系統(tǒng)并不是從未出現(xiàn)過(guò)。加拿大麥吉爾大學(xué)（McGill University）的神經(jīng)學(xué)家研發(fā)了基于正電子放射斷層成像（PET）掃描的算法，識(shí)別患者發(fā)展出癡呆癥的風(fēng)險(xiǎn)，準(zhǔn)確率達(dá)84%。美國(guó)杜克大學(xué)（Duke University）和克羅地亞魯?shù)聽(tīng)枴げ┧箍凭S奇研究所（Rudjer Boskovic Institute）的科學(xué)家利用機(jī)器學(xué)習(xí)發(fā)現(xiàn)了大腦組織缺失隨時(shí)間推移的改變。

但是，Unlearn.AI的系統(tǒng)采用了無(wú)監(jiān)督學(xué)習(xí)方法，意味著其使用的數(shù)據(jù)尚未分類或標(biāo)記。而且，該系統(tǒng)還同時(shí)計(jì)算一名患者多種特征的預(yù)測(cè)值和置信區(qū)間。

Unlearn.AI的方法分兩步進(jìn)行。首先，研究團(tuán)隊(duì)通過(guò)波爾茲曼編碼對(duì)抗式機(jī)器（Boltzmann Encoded Adversarial Machinem, BEAM）對(duì)臨床數(shù)據(jù)建模，這種神經(jīng)網(wǎng)絡(luò)非常適合分類和特征建模任務(wù)。他們利用抗重大疾病聯(lián)盟（Coalition Against Major Diseases, CAMD）阿茨海默癥在線數(shù)據(jù)倉(cāng)（Online Data Repository for Alzheimer’s Disease）對(duì)其系統(tǒng)進(jìn)行了訓(xùn)練和測(cè)試。該數(shù)據(jù)倉(cāng)包含了1908名患者18個(gè)月的42種測(cè)量變量，其測(cè)量條目包括了常用認(rèn)知能力次量表ADAS-Cog及臨床和研究中測(cè)量認(rèn)知障礙的問(wèn)卷“簡(jiǎn)易精神狀態(tài)檢查表”（Mini-Mental State Examination）。

第二步，該研究團(tuán)隊(duì)利用訓(xùn)練后模型生成“虛擬患者”及其相關(guān)的認(rèn)知檢查分?jǐn)?shù)、實(shí)驗(yàn)室檢查、以及臨床數(shù)據(jù)，對(duì)患者進(jìn)行模擬，預(yù)測(cè)其在單詞回憶、定位和命名等方面的疾病進(jìn)展，然后又反過(guò)來(lái)利用這些數(shù)據(jù)計(jì)算ADAS-Cog總分?jǐn)?shù)。

研究人員表示，這種無(wú)監(jiān)督模型能得到至少18個(gè)月的ADAS-Cog準(zhǔn)確預(yù)測(cè)值，并相信它可用于預(yù)測(cè)其他退行性疾病患者的結(jié)局?！拔覀?cè)诖嗣枋龅倪@種模擬疾病進(jìn)展的方法可以輕松擴(kuò)展到其他疾病?！痹搱F(tuán)隊(duì)寫(xiě)道，“深度生成式模型在臨床數(shù)據(jù)的廣泛應(yīng)用可以產(chǎn)生合成數(shù)據(jù)集，比真實(shí)醫(yī)學(xué)數(shù)據(jù)在隱私方面的擔(dān)憂更少，也可用于進(jìn)行模擬臨床試驗(yàn)，優(yōu)化研究設(shè)計(jì)。在某些疾病領(lǐng)域，通過(guò)模擬預(yù)測(cè)特定個(gè)人風(fēng)險(xiǎn)的工具能幫助醫(yī)生為患者選擇最適合的治療。”