用AI監測大腦身體變化，人類可能提前數年發現阿爾茨海默症徵兆

馬薩諸塞州馬爾伯勒的一個平凡清晨，David Graham從自己的房間中醒來，而房間牆上掛著的白色設備開始記錄他的每一個動作。

這台設備能夠識別David何時起床、穿好衣服、走到窗口或者去洗手間。它能夠判斷他是在睡覺還是昏倒在地。它通過低功率無線信號繪製他的步態速度、睡眠模式、位置甚至是呼吸模式。這一切信息都將被上傳至雲端，並由機器學習演算法利用每天的數千次行動整理出David的活動模式。

這台設備屬於一項整體實驗的重要絕大部分，研究人員們希望藉此追蹤並了解阿爾茨海默症的具體癥狀。

在患者處於這一疾病的早期階段時，其具體癥狀其實並不明顯。但在開始出現認知混亂與記憶喪失之前，大腦中的變化就已經以微妙的方式影響到患者的行為與睡眠模式轉變。研究人員們認為，人工智慧有能力及早發現這些變化，從而搶先確定哪些患者存在病情嚴重惡化的可能性。

如果能夠提前數年發現阿爾茨海默症的徵兆，患者將可接受實驗性藥物治療，並由家人提前為其制定護理計劃。配備這種演算法的設備可以安裝在患者家中或者護理設施之內，用以監測存在患病風險的病人。而對於已經確診的患者，這項技術亦可幫助醫生對具體護理方法作出調整。

製藥企業也對機器學習演算法抱有濃厚興趣，他們希望通過病患的醫療記錄找到最可能從實驗性藥物中受益的對象。而在研究過程中，人工智慧也可以及時提醒調查人員相關藥品是否對病患的癥狀產生了改善效果。

目前，尚不存在診斷阿爾茨海默症的簡單方法。具體來講，我們沒有單項測試方法，也無法通過腦部掃描確定對方是否患有該種疾病。相反，醫生必須考慮各種因素——包括病人的病史以及來自家庭成員與醫護人員報告的觀察結果。因此，機器學習將能夠從中找到那些極易被忽略的共通性模式。

圖：David Graham，身在馬薩諸塞州馬爾伯勒護理設施中的他正在接受房間中AI驅動設備的追蹤與記錄。

與其他四位同樣接受設備監控的病患不同，Graham實際上並沒有被確診患有阿爾茨海默症。但研究人員們正在監測他的行動，並將他與疑似病例的行為模式進行比較。

Dina Katabi和她的團隊原本在麻省理工學院計算機科學與人工智慧實驗室當中開發一款用於檢測老年人跌倒的探測裝置。但他們很快意識到，這台設備實際上擁有更多的用途。在他們看來，如果其能夠準確發現老年人跌倒狀況，也必然可以識別其它運動——例如踱步與徘徊，這些都可能與阿爾茨海默症有所關聯。

Katabi指出，他們的目標在於監控人們，同時保證對象群體不必每天佩戴穿戴式設備。她解釋稱，「整個過程完全以被動方式實現，病人們不需要將感測器戴在身上或者做出任何特定行動。此外，其實際干擾也要比攝像機少得多。」

如何起效

Graham幾乎沒有注意到自己灑滿陽光的房間里掛有這樣一部白色的裝置。事實上，他對該設備最直接的認知，就是Ipsit Vahia會告訴他這台裝置會追蹤他的行動並收集相關數據。Vahia身為麥克林醫院與哈佛醫學院的老年精神病學家，他與麻省理工學院的技術發明人們正在對該設備進行小規模試點研究。

Graham期待著最終成效。事實上，當Vahia準確說出他曾在夜間醒來一小會時，他感到非常驚訝。儘管Graham本人並不記得，但該設備確實檢測到了他的睡眠狀態變化。

該設備的無線電信號強度只有Wi-Fi的兩千分之一，但足以探測到30英尺半徑範圍內的所有物體——包括人體。人體作出的每一個動作，即使是呼吸等最為輕微的活動，也都會引起反射信號的變化。

Katabi和她的團隊開發出了機器學習演算法，能夠分析所有這些微小的反射變化。他們訓練該系統識別走路及摔倒等簡單的動作，以及與睡眠障礙相關的其它更複雜的動作。Katabi表示，「隨著我們向其傳授的知識越來越多，機器就能掌握學習能力，並在下一次自行發現新的模式——其中相當一部分模式對於人類而言太過抽象、複雜，但機器仍然足以將其識別出來。」

隨著時間的推移，設備會生成大量讀取數據，用以顯示探測對象的行為模式。人工智慧將從中挑選出可能與躁動、抑鬱以及睡眠障礙等模式相關的偏差信息。其也可以反映一個人是否會在一天之內重複某些行為——這些都屬於阿爾茨海默症的典型癥狀。

Vahia指出，「如果我們能夠早日發現這些偏差，就能作出預測並幫助病人管理相關健康問題。」

在對一位患有阿爾茨海默症的病人進行診斷時，Vahia和Katabi能夠發現她曾在凌晨2點醒來並在房間中徘徊。他們還注意到，在某些家庭成員到訪之後，這位患者會更加放鬆。Vahia則據此調整了鎮靜用藥物的劑量。

圖：Ipsit Vahia與Dina Katabi正在測試用於監測阿爾茨海默症患者以及潛在高風險發病人群的AI驅動設備。

大腦變化

人工智慧還可以幫助醫生檢測到大腦中出現的阿爾茨海默症早期徵兆，同時了解這些身體變化在不同人群身上如何表現。蒙特利爾麥吉爾大學神經學家Pedro Rosa-Neto表示，「當放射科醫生查看掃描圖時，是無法據此判斷對方是否罹患阿爾茨海默症的。」

Rosa-Neto和他的同事Sulantha Mathotaarachchi開發出一套演算法，用於分析來自可能存在阿爾茨海默症患病風險的人群的正電子發射斷層掃描（簡稱PET）圖。通過醫療記錄，研究人員能夠得知哪些病人在接受掃描後的兩年之內出現了阿爾茨海默症癥狀，而他們希望藉此檢測AI系統能夠通過圖像分析與模式識別提早得出結論。

果然，該演算法能夠在大腦的某些區域當中發現澱粉樣蛋白（一種通常與疾病相關的蛋白質）團塊中存在的模式。即使是訓練有素的放射科醫師，也很難在腦部掃描圖中注意到這些變化。立足這些模式，該AI系統能夠以84%的準確率檢測到哪些患者將最終患上阿爾茨海默症。

機器學習也能夠幫助醫生預測不同患者的疾病嚴重程度。杜克大學醫師兼科學家P. Murali Doraiswamy正在利用機器學習技術來確定患者所處的疾病階段以及其病情是否有可能進一步惡化。

Doraiswamy指出，「我們一直將阿爾茨海默症視為一種統一的病症。然而，患有阿爾茨海默症的病患並不一定都具有相同的癥狀，而且其中一部分可能比其他人病情更重。醫生不知道哪些患者能夠繼續保持穩定，而哪些患者的情況將快速惡化。因此，我認為解決這個問題的最好方法，就是將其交給機器處理。」

他與克羅埃西亞Rudjer Boskovic研究所的人工智慧專家Dragan Gamberger合作，共同開發出一種機器學習演算法。該演算法能夠通過來自562位患有輕度認知障礙的病人的腦部掃描圖及醫療記錄對其進行五年期分類。

通過觀察，這群病患中出現了截然不同的兩大類：一部分在五年期內出現了顯著的認知能力下降，而另一部分則幾乎沒有發生變化。該系統能夠隨著時間推移持續追蹤腦組織損傷的變化情況。

而第三類病患則處於輕度認知障礙與晚期阿爾茨海默症之間。Doraiswamy表示，「我們不清楚為什麼會存在這樣的群體。」

臨床試驗

從2002年到2012年，99%的阿爾茨海默症研究藥物在臨床試驗中遭遇失敗。原因之一，在於沒人確切了解該疾病的致病機理。但另一個原因則是，人們很難確定哪些患者最可能從特定藥物當中受益。

AI系統能夠幫助設計出更好的試驗方案。負責監督美國國立研究院老年研究所老年痴呆症研究工作的Marilyn Miller表示，「只要將這些人的共有基因表達、特徵與造影掃描結果結合在一起，就能夠大大降低藥物的測試難度。」

而在患者參與研究之後，研究人員將能夠對其開展持續監測，了解他們是否能夠從實驗性藥物中受益。

強生公司神經科學研究小組的研究員Vaibhav Narayan表示，「阿爾茨海默症藥物研發工作的最大挑戰之一，在於我們缺少理想的方法分析出最適合藥物測試的理想人群。」

他解釋稱，機器學習演算法將極大加快藥物研究當中招募受試患者的過程。如果人工智慧能夠確定哪些患者最有可能遭遇病情快速惡化，那麼調查人員將能夠更輕鬆地判斷出某些藥物是否有益。

如此一來，如果Vahia等醫生能夠發現Graham等病患身上出現的阿爾茨海默症早期癥狀，即可快速引導其報名參與臨床試驗，從而儘早遏制可能在幾年後出現的破壞性腦部影響。

Miller認為，人工智慧有望在未來五年內被廣泛應用於對患者進行阿爾茨海默症的診斷與預測。但她同時表示，還需要大量數據才能確保演算法的準確性與可靠性。當然，Graham正用自己的實際行動協助這項目標的完成。

來源：MIT Technology Review

編譯：科技行者

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！