AI或助力AD药物研发
人工智能在AD的早期诊断上大有用武之地，或可帮助优化药物试验设计

Robbie’s Place是一家位于美国马萨诸塞州马尔伯勒的护理院，当大卫·格雷厄姆（David Graham）每天早上醒来时，房间墙上的一个白色盒子就开始记录他的每一个动作。

这个盒子可以记录格雷厄姆什么时候起床、穿衣服、走到窗户边，甚至什么时候去洗手间。它可以判断他是躺着还是睡着了，通过使用低功率无线信号来记录他的步态速度、睡眠模式、所处的位置，甚至他的呼吸模式。这些信息都被上传到云端，利用机器学习算法在每天成千上万个动作中分析出格雷厄姆的特定模式。

这个长方形盒子是研究人员在实验中用于帮助追踪和了解阿尔茨海默病（AD）的症状。

AD的早期阶段症状往往非常不明显，但在疾病进展到使患者意识混乱和失忆障碍之前的几年时间里，大脑里的变化会导致人们在行为和睡眠模式上发生微妙的改变。因此，研究人员认为人工智能（AI）可以及早识别这些变化，并识别出那些有患上最严重AD风险的患者。

在AD明显症状出现的前几年就发现疾病的最初迹象，可以帮助科研人员找出最有可能从实验药物中获益的人群，并让家庭成员有时间计划将来的治疗和护理。装有这种算法的设备可以安装在家中或者一些老人长期居住的护理机构，用于监测高危人群。对于已经患病的病人，这个装置则可以帮助医生调整治疗方案。

制药公司也对使用这种机器学习算法十分感兴趣，他们可以通过搜索医疗记录找出最有可能从实验药物中获益的患者。一旦患者纳入研究，AI可能会告诉研究人员这些实验药物是否在缓解病人的症状。

发现动作差异识别AD症状

利用AI找出那些和正常动作模式不同的差异部分，如一天中重复某些动作行为，这是AD的典型症状

目前，AD的诊断很困难，不能通过单一的检查或仅凭脑部扫描来确定是否患有该病。医生必须考虑各种因素，包括病人的病史和家属或医护人员对病人的观察。因此，应用这种机器学习技术可以收集到不容易被发现的动作模式。

与房间里其他四个使用这种设备的患者不同，格雷厄姆还没有被确诊患有AD，研究人员监测他的日常活动行为，并将其与疑有这种疾病的病人的动作模式进行比较。

该装置最初是由Dina Katabi与她在麻省理工学院的计算机科学和人工智能实验室的团队设计出来作为老年人的跌倒探测器，但他们很快意识到其有更多的用途。他们认为，如果该装置能监测并预警跌倒，其也可能识别其他活动行为，包括AD的早期征兆，如踱步和徘徊。

Katabi表示，他们的目的是在监视人们行为模式的时候不需要每天佩戴穿戴式的跟踪装置。现在这种观察完全是被动的，病人不需要把传感器放在他们的身体上或者做任何特定的事情，而且也比使用摄像机的干扰要小得多。

在阳光充足、整洁的房间里，格雷厄姆几乎不会注意到这个墙上的白色盒子。该设备的无线电波信号只有wi-fi信号的的千分之一，但能反射30英尺范围内的所有物体，包括人体。每一个活动——即使是最轻微的如呼吸运动，都会引起反射信号的变化。

Katabi和她的团队开发了机器学习算法来分析这些微小的反射。他们通过训练系统，使其能够识别简单的动作，如行走和跌倒，以及更复杂的运动，如与睡眠障碍有关的运动行为。“当你教它越来越多，机器会不断学习，下一次它看到一个模式，即使它对于人类来说太复杂，不能摘取出这种模式，机器也能够把它识别出来。”

随着时间推移，该装置会产生大量表明动作模式的数据。AI的目的是可以找出那些和正常动作模式不同的差异部分，这些差异可能提示焦虑症、抑郁症和睡眠障碍等疾病行为。它也可以识别一个人是否在一天中重复某些动作行为，这些都是AD的典型症状。“如果能在早期发现这些差异，将可以预测疾病并及早帮助和治疗患者。”McLean医院和哈佛医学院的老年精神病学专家IpsitVahia表示。

Vahia和Katabi通过仪器监测一个确诊AD的病人，结果发现该患者在半夜两点醒过来在房间走来走去，且在某些家庭成员来访后，她会增加踱步的频率。Vahia与护士一起确认患者的这些行为后，调整了其抗焦虑药物的剂量。

预测病情严重程度

开发机器学习算法，令其利用相关资料识别可能患AD的人，确定疾病的分期以及病情的预后

AI也被用于帮助医生检测大脑中AD的早期症状，并了解在不同的人群中这些生理变化是如何逐渐产生的。美国麦克吉尔大学（McGill University）的神经学专家Pedro Rosa-Neto表示:“当一个放射科医生看脑部扫描报告时，是不可能预测出这个人的情况是否会进展为AD。”

Rosa-Neto和同事Sulantha Mathotaarachchi开发的这种算法，可以实现对数百份AD高风险患者的PET（正电子发射断层扫描）检查报告进行分析。根据病例记录，研究人员可以辨别哪些病人很有可能在两年内患上AD，但他们想看看AI系统是否能通过PET图像模式把他们识别出来。

结果显示，该算法能够发现在大脑特定区域存在的淀粉样蛋白聚集，这种蛋白通常和AD发展密切相关。即使是有经验的放射科医师在大脑扫描中也很难发现这些线索，而运用这项运算技术识别的PET图像模式，可以确定哪些人会患上AD，准确率达84%。

机器学习也有助于医生预测不同病人病情的严重程度。杜克大学的医生和科学家P.Murali Doraiswamy就利用机器学习来确定患者疾病的分期以及病情的预后。

Doraiswamy指出，一直以来我们把AD看成“一刀切”问题，但患者并不都有同样的症状，其中有些人可能比其他人更快恶化。医生也没办法预测哪些患者病情会稳定一段时间，哪些患者病情将会在短时间内加重。Doraiswamy认为解决这个问题的最好办法是让计算机来预测。

他曾与克罗地亚RudjerBoskovic研究所的人工智能专家Dragan Gamberger合作，通过整理分析562名患者的大脑扫描和病历资料来开发这项机器学习算法，该研究持续了5年时间，初始时患者仅有轻度认知功能障碍。

这些患者最终可以显著分为两个不同的类别：一部分患者认知水平显著下降，而另一部分患者则5年来症状变化不大或完全没有改变。应用该系统能够识别随着时间推移脑组织丢失的变化。

但还有第三组患者处于轻度认知功能障碍和进展的AD之间，“现在还不知道为什么会有这些差异表现的群组存在。”Doraiswamy表示。

助力优化药物试验设计

依靠AI更容易判断药物是否能使患者获益，且能大大加快临床研究招募病人的速度

2002-2012年,高达99%的AD药物临床研究遭遇失败。一个原因是该疾病的病因不明，另一个原因是很难确定患者最有可能从哪一种药物的治疗中获益。

AI系统或许可以帮助优化试验设计。Marilyn Miller指导了美国国家老龄化研究所一项应用AI辅助诊断治疗AD的研究，他表示，把这些有共同基因、特征和成像扫描的患者资料结合起来分析，将使药物研究变得更容易。

一旦患者被纳入研究，研究人员可以不断监测他们的病情，以观察其是否在治疗中获益。

强生（Johnson & Johnson）神经科学团队的研究员Vaibhav Narayan指出：“AD药物研发最大挑战之一就是还没有一个好方法来筛选出最适合药物研究的人群。” 他表示，机器学习算法将大大加快招募病人进行药物研究的速度。如果AI能找出哪些病人病情将更有可能快速恶化，研究人员就可以更容易地判断药物是否能使患者获益。

这样一来，像Vahia医生如果察觉到格雷厄姆具有AD的早期征兆，他们可以很快地让其报名参加临床试验，希望能抑制或者延缓疾病进展。

Miller认为，最快5年内，AI可以用来诊断和预测AD患者。但她也表示这需要大量的数据，以确保这些算法是准确和可靠的。

编译/廖联明

来源/MIT Technology Review

此内容为《医药经济报》融媒体平台原创。未经《医药经济报》授权，不得以任何方式加以使用， 包括转载、摘编、复制或建立镜像。如需获得授权请事前主动联系：020-37886610或020-37886753；yyjjb@21cn.com。