初創公司利用無監督學習方法開發出預測阿茨海默癥進展的系統，可擴展到其他退行性疾病預測，助力精準醫學。

每年，有數百萬人飽受阿茨海默癥（Alzheimer’s disease）的折磨。據阿茨海默癥協會（Alzheimer’s Association），阿茨海默癥是美國第6大死因，比乳腺癌和前列腺癌造成的老人死亡人數之和還多。它帶來的經濟負擔也很大——早期診斷預計可節約7.9萬億美元的醫療保健成本。

Unlearn.AI是一家為臨床研究設計軟件工具的初創公司，其研究人員認為人工智能在個性化診斷和治療中具有寶貴的作用。他們在預印本網站Arvix.org上發表了一篇名為“利用深度學習技術全面個性化地預測阿茨海默癥的進展”的文章（Using deep learning for comprehensive, personalized forecasting of Alzheimer’s Disease progression），指出他們研發了能預測疾病進展的系統，其本質是預測患者在未來任一時間點會經歷的癥狀。

“患有同種疾病的兩名患者可能會表現出不同癥狀、不同的進展速度，對同樣的治療表現出不同的反應。”該研究團隊寫道，“了解如何預測和管理患者個體的不同，是精準醫學的首要目標。利用機器學習技術構建的疾病進展計算機模型為克服這種患者異質性提供了一種有吸引力的工具。”

能追蹤認知能力衰退的人工智能系統并不是從未出現過。加拿大麥吉爾大學（McGill University）的神經學家研發了基于正電子放射斷層成像（PET）掃描的算法，識別患者發展出癡呆癥的風險，準確率達84%。美國杜克大學（Duke University）和克羅地亞魯德爾·博斯科維奇研究所（Rudjer Boskovic Institute）的科學家利用機器學習發現了大腦組織缺失隨時間推移的改變。

但是，Unlearn.AI的系統采用了無監督學習方法，意味著其使用的數據尚未分類或標記。而且，該系統還同時計算一名患者多種特征的預測值和置信區間。

Unlearn.AI的方法分兩步進行。首先，研究團隊通過波爾茲曼編碼對抗式機器（Boltzmann Encoded Adversarial Machinem, BEAM）對臨床數據建模，這種神經網絡非常適合分類和特征建模任務。他們利用抗重大疾病聯盟（Coalition Against Major Diseases, CAMD）阿茨海默癥在線數據倉（Online Data Repository for Alzheimer’s Disease）對其系統進行了訓練和測試。該數據倉包含了1908名患者18個月的42種測量變量，其測量條目包括了常用認知能力次量表ADAS-Cog及臨床和研究中測量認知障礙的問卷“簡易精神狀態檢查表”（Mini-Mental State Examination）。

第二步，該研究團隊利用訓練后模型生成“虛擬患者”及其相關的認知檢查分數、實驗室檢查、以及臨床數據，對患者進行模擬，預測其在單詞回憶、定位和命名等方面的疾病進展，然后又反過來利用這些數據計算ADAS-Cog總分數。

研究人員表示，這種無監督模型能得到至少18個月的ADAS-Cog準確預測值，并相信它可用于預測其他退行性疾病患者的結局。“我們在此描述的這種模擬疾病進展的方法可以輕松擴展到其他疾病。”該團隊寫道，“深度生成式模型在臨床數據的廣泛應用可以產生合成數據集，比真實醫學數據在隱私方面的擔憂更少，也可用于進行模擬臨床試驗，優化研究設計。在某些疾病領域，通過模擬預測特定個人風險的工具能幫助醫生為患者選擇最適合的治療。”