阿尔兹海默病的隐藏风险因素有望被人工智能技术检测

全球大约有5000万人患阿尔兹海默病或其它形式的痴呆症，年龄是患该病的最大风险因素，研究人员认为，大部分阿尔兹海默病的患病原因都是基因和其它因素之间发生复杂相互作用所引起的，但他们并不清楚这些因素及其在患病中所扮演的关键角色。

来自南加州大学的科学家们就利用机器学习（machine learning）的技术鉴别出了指示阿尔兹海默病的潜在血液标志物，其或能帮助研究人员对该病进行早期诊断，并开发出无创手段来追踪患者疾病的进展状况；机器学习是人工智能（AI）技术的一个子集，即赋予电脑特殊能力，在不进行确切编程的情况下来进行学习。

研究者Paul Thompson说道，这种类型的分析是一种新方法，其能发现特殊的数据模式从而识别出阿尔兹海默病诊断标志物，在一个非常大的健康测量数据库中，该技术能帮助发现阿尔兹海默病的预测性特征；相关研究结果发表于Frontiers in Aging Neuroscience杂志上。

如何鉴别特殊的生物标志物

迄今为止，绝大多数阿尔兹海默病领域的相关研究都重点关注研究者提出的一些假设，比如大脑中淀粉样斑块和tau蛋白的积累，事实证明，测量这两种指标的技术在血液中都难以进行测定。因此，诊断测试在很大程度上基于患者的记忆，但不幸的是，当一个人开始表现出失忆迹象时，其可能患这种病已经几十年了。在患者出现症状之前发现疾病，是通过药物和生活方式改变来改变患者生活质量最为关键的一步。

图片来源：commons.wikimedia.org

本文研究中，研究人员想知道是否还存在一些阿尔兹海默病的隐藏指标，即通过常规血液检测无法发现的因素，但当我们不知道在寻找什么时又如何找到这些指标呢？随后研究者将注意力转移到机器学习技术上；2013年，研究者Greg Ver Steeg开发了一种名为Correlation Explanation（CorEx，关联性解释）的先进机器学习技术，其能有效梳理出被大量数据所淹没的区域模式，包括神经科学、心理学和财务等，同一年，计算生物学家Shirley Pepke也用这种算法研究了自身的癌症。

在这项研究中，研究人员的目的就是利用相同的算法来揭示与阿尔兹海默病相关的隐藏因子或关联性因子簇。Ver Steeg说道，目前并没有单一的预测因素来帮助预测一个人是否有认知能力下降的趋势，但或许一系列指标的集合或许就是最好的信号，我们的研究问题在于是否能用这种算法找到一组特征，而相比任何单独测量的因素而言，这种特征都能够更好地进行阿尔兹海默病的预测。

关系集群

研究者对来自阿尔茨海默氏症神经影像计划数据库中的829名老年人进行研究，对手机的医学记录信息进行分析来识别在过去一年里这些个体认知功能下降和大脑萎缩的指标；参与者被分为三种不同的诊断类群：认知正常组、轻度认知损伤组和阿尔兹海默病组；这些研究数据包括从脑成像、遗传学、血浆和人口统计学信息中收集的400多个生物标志物。

图片来源：neurowiki2014.wikidot.com

当研究者通过算法来运行数据时，不同的关系集群（distinct clusters of relationships）就会出现，淀粉样蛋白和tau蛋白非常重要，但算法揭示这也与心血管健康、激素水平、代谢和免疫系统反应存在强相关关系；比如，较低的维生素B12水平是心血管疾病的风险因子，研究者能其与一种称为基质金属蛋白酶的酶类和T细胞分泌的蛋白质相结合。

研究者Thompson说道，由于此前已经确定了某些测量指标的关系，而且这些指标也与阿尔兹海默病发病风险直接相关，因此本文研究就表明，不同特征之间的协同作用要比单一特征在预测阿尔兹海默病上更加有效。也许仅仅解决其中的一个问题并不能带来很大的不同，但是解决一系列的问题可能有助于降低患这种疾病的风险。

最后研究者表示，目前科学家们发现了越来越多的生物标志物来进行疾病的早期诊断及更好地预测疾病，同时其还能提供血液检测的新型靶点，未来研究人员希望能够进行更大规模的研究来证实本文的研究结果，同时他们还希望利用这种新型的算法寻找指示多种疾病的隐藏呈现因素，比如精神分裂症和抑郁症等。

参考资料：

Researchers use AI to detect early signs of Alzheimer's

Nearly 50 million people worldwide have Alzheimer's disease or another form of dementia. While age is the greatest risk factor for developing the disease, researchers believe most Alzheimer's cases occur as a result of complex interactions among genes and other factors. But those factors and the role they play are not known—yet.

In a new study, USC researchers used machine learning to identify potential blood-based markers of Alzheimer's disease that could help with earlier diagnosis and lead to non-invasive ways of tracking the progress of the disease in patients. The method was developed by USC computer science research assistant professor Greg Ver Steeg, a senior research lead at the USC Information Sciences Institute (ISI). Machine learning is a subset of artificial intelligence (AI) that gives computers the ability to learn without being explicitly programmed......