全球每年都會有上百萬的人被阿爾茨海默癥（老年癡呆癥）所困擾。根據(jù)阿爾茨海默癥協(xié)會的數(shù)據(jù)，阿爾茨海默癥是美國致死率第六高的病癥，因其而死亡的人數(shù)比乳腺癌和前列腺癌加起來還要多。其治療費用還很昂貴，如果能夠通過早期檢查對其進行檢測，能夠省下差不多7．9億美元的醫(yī)療費用。

Unlearn．AI是一家專門為臨床研究設計軟件工具的初創(chuàng)公司。該公司的研究員認為人工智能在個性化診斷和治療中能夠起到非常重要的作用。一篇發(fā)表在網站上的文章中，研究員提出了一個能夠對疾病進行預測的系統(tǒng)，這個系統(tǒng)本質上能夠預測每個病人在未來的每個階段可能遇到的各類癥狀。

“兩個擁有相同疾病的病人有時也會呈現(xiàn)出不同的癥狀、不同的病情發(fā)展以及不同的對于治療產生的反應，”該研究團隊寫道，“了解如何預測以及管理病人之間的這些不同點才是精準醫(yī)療的首要目標。應用機器學習方法而開發(fā)出來的疾病發(fā)展監(jiān)測計算機模型為我們提供了一個有效解決病人之間的異質性問題的工具。”

能夠檢測到認知能力下降的人工智能系統(tǒng)并不是沒有前例。蒙特利爾麥吉爾大學的神經學家們就開發(fā)過一種PET掃描攝取算法。該算法能夠以84％的準確率識別最終會患上癡呆癥的病人。另外，杜克大學的科學家們以及克羅地亞的Rudjer Boskovic研究所也使用了機器學習法用來了解腦組織缺失隨著時間而產生的變化。

但是Unlearn．AI的系統(tǒng)采用的是一種無人監(jiān)管的學習方法，也就是說它使用的是沒有進行過分類以及標記的數(shù)據(jù)。另外，它能夠一次同時計算出一個病人的各種病狀的預測以及置信區(qū)間。

整個系統(tǒng)的開發(fā)主要分為兩部分。

首先，開發(fā)團隊應用Boltzmann編碼對抗式機器（BEAM）對臨床數(shù)據(jù)進行了建模。BEAM是一種完美適配于將數(shù)據(jù)分類和特征進行建模的一種神經網絡。他們在“抵御重大疾病協(xié)會”（CoaliTIon Against Major Diseases）的專門為阿爾茲海默癥而設立的在線數(shù)據(jù)庫（該數(shù)據(jù)庫由18個月中收集到的涵蓋了42個變量的1908名的阿爾茲海默癥患者的數(shù)據(jù)組成）中將其進行了訓練和測試。開發(fā)團隊對患者進行的測量方法包括了老年癡呆量表－認知（ADAS－Cog，一種被廣泛使用的認知子尺度）以及簡短精神狀態(tài)檢查（Mini－Mental State ExaminaTIon，用于測量臨床和研究環(huán)境中認知障礙的問卷）。

然后，該開發(fā)團隊使用這個已成型的模型來生成“虛擬患者”及其相關的認知測試分數(shù)、實驗室測試數(shù)據(jù)以及臨床數(shù)據(jù)。他們?yōu)閭€體患者進行了模擬，以便在諸如單詞回憶，定向和命名等方面預測其疾病進展，這些數(shù)據(jù)又能反過來用于測算老年癡呆量表－認知分數(shù)。

研究人員聲稱，該項無監(jiān)管的模型可以對老年癡呆認知做到起碼18個月的精確預測，另外他們認為該模型同樣能夠用來預測那些患有其它退行性疾病的患者的最終結果。

該研究團隊寫道：“我們在這里描述的對阿爾茲海默癥的癥狀進展進行模擬的方法能夠很好的擴展到其它疾病上去。對于臨床數(shù)據(jù)的深度生成模型的廣泛應用能夠產生跟真實醫(yī)學數(shù)據(jù)相比更少的隱私問題的合成數(shù)據(jù)集，或者能夠用來進行模擬臨床試驗以優(yōu)化研究設計。在某些特定的疾病領域中，使用模擬數(shù)據(jù)來預測特定個體的疾病風險的工具能夠幫助醫(yī)生為他們的病人去選擇更為正確的治療方法。”