預測診斷阿爾茨海默症，雅森科技都踏過了哪些荊棘？

「這跟我們的基因有關」，談到為何選擇阿爾茨海默症（AD）作為AI落地的主要場景時，雅森科技CEO陳暉這樣說道。

近幾年來，行業內湧現出了很多AI醫療公司，其中很多都選擇以肺結節篩查作為切入點。陳暉認為這是有跡可循的。

「大多數AI+醫療創業公司採用的都是深度學習演算法，先有了演算法再找落地場景，所以會選擇空間解析度和發病率比較高的肺癌作為切入點。」陳暉說道。

而創立於2006年的雅森科技，是一家致力於通過腦影像和核醫學設備做病情智能分析的企業。核醫學影像主要是用於癲癇、帕金森氏症、嗜睡等腦部疾病的診斷和分析。阿爾茨海默症也是腦部疾病之一，因此雅森科技涉足阿爾茨海默症診斷是很順理成章的事情。

阿爾茨海默症的早期診斷十分困難

阿爾茨海默症在患病早期是可以干預的，但檢測卻相對困難。全球各地的研究人員都在開發儘早檢測阿爾茨海默症的方法。越早檢測出這種病症，患者就越有機會提早尋求治療，減緩病情的影響，並有足夠的時間來處理好個人法律和財務狀況。

雅森科技研發總監楊士霆向雷鋒網介紹，診斷阿爾茨海默症的主要難點在於影像看不清，早期癥狀難以把握，靠單一的影像和病理不容易做到長期預測。

阿爾茨海默症的傳統診斷方式主要有以下幾種：

一、心理量表評估。神經內科醫生會通過心理量表詢問患者的近期生活環境等，評估其認知功能是否出現了衰退。

二、核磁影像。檢查患者大腦的影像結構是否已經開始出現萎縮和變化。

三、通過腦電圖和心跳的長期監控和分析，判斷病人是否出現了認知功能和大腦信號上的變化。

此外還有比較先進的核醫學、PET等手段，可以檢查大腦的代謝情況，判斷大腦的某些區域是否出現了代謝下降。

阿爾茨海默症的患病周期十分漫長，可能長達8-10年。醫生基於單一時間點的數據只能做出這個病人當前有沒有患阿爾茨海默症的判斷。此外，阿爾茨海默症涉及的層面非常廣，帕金森氏症等其他腦部疾病也有可能引發其早期癥狀。因此，對患者進行長期跟蹤十分重要。

但阿爾茨海默症的診斷十分耗時耗力。以量表評估為例，量表評估時通常需要神經內科醫生和心理評估師同時在場，評估耗時約2-3小時。此外，醫生還需要花很多時間對病人的情況進行討論評估。綜合下來，一位醫生每天能夠診斷的病人可能只有兩到三例。時間成本很高，而且服務的病人數量有限。

在和醫院長期合作的過程中，雅森科技發現了神經內科對儘早診斷阿爾茨海默症和提高診斷效率的強烈需求。這成了雅森科技布局阿爾茨海默症診斷的重要驅動力之一。

多模態分析提高診斷效力

陳暉向雷鋒網介紹，阿爾茨海默症診斷所用到的人工智慧和相關演算法的複雜程度要遠遠超過肺結節的識別。

他說道：「目前市場上大多數做肺結節識別的公司，採用的都是同一套演算法，基於TensorFlow或其他開開源機器學習平台做降維調參。而且他們做的不是整個肺癌疾病的診斷，而是肺癌診斷中的影像識別部分，主要針對6mm以上的肺結節識別。現有的深度學習演算法並沒有辦法超越醫院，解決小於6mm的肺結節的快速識別和診斷。而且對於肺癌診斷來說，影像對確診所佔的比重有限，還要去看腫瘤標記物、代謝影像和病理結果等。」

單獨看核磁、腦電圖和量表數據也很難診斷阿爾茨海默症，因此雅森科技採用了多模態的分析方法。

過去十年，中國醫院信息化發展非常快，一些二線城市醫院信息化的水平和集中程度之高超乎想像。過去十年的CT數據、PET數據、生物電訊號、超聲等一系列多種多樣的數據有非常大的沉澱。但是這些沉澱的數據很多沒有發揮自己的價值。

陳暉認為，醫院沉澱了這麼多類型的數據，這些數據是可以綜合應用到臨床檢查與治療的。

雅森科技採用了三方面的數據來做阿爾茨海默症診斷的機器學習模型，這些數據包括核磁數據、腦電數據和量表數據。基於這三個數據打造的多模態神經網路訓練模型，可以提前兩三年預測老年痴呆病發的可能性以及確認病情發展的階段。換言之，雅森科技的阿爾茨海默症診斷產品已經超越了單個醫生，可以真正做到疾病的診斷和預測。

數據採集是最大的挑戰

機器學習依賴于海量的數據，數據稀缺是制約AI技術落地醫療產業的一大瓶頸。

據悉，雅森科技目前已經和協和醫院、宣武醫院、北大人民醫院、中日友好醫院等十幾家醫院和相關機構達成了戰略合作，由後者向其供給數據。雙方主要以共同做橫向課題研發的方式進行合作，簽訂的橫向課題研發協議必須經過醫院的倫理審查，而後雅森科技才能對數據進行整理和使用，保證了數據的安全性。

陳暉介紹，雅森科技早期擁有的數據量（含5年隨訪和完整病例）大概在700-1000例，現在通過和協和醫院的合作，有望在短期內將數據量提高到2000-3000例。

「阿爾茨海默症和肺結節等疾病的數據收集不太一樣。阿爾茨海默症是一種退化型疾病，需要對患者進行長期跟蹤和數據採集。這些資料我們都長期追蹤了至少5年以上。我們每年都要對跟蹤的病人重新做隨訪，包括量表、核磁影像、PET影像、腦電圖等都要重新評估。這個過程中我們投入的人力、資源和成本遠遠超過了市場上大多數做肺結節研究的企業。」楊士霆補充道。

數據採集的一大難點在於，患者的配合度比較低。對於早期患者，醫生診斷出他有患病風險後，由於不會對日常生活造成影響，他往往覺得自己沒病。當醫院再次要求他接受檢查時，他往往會拒絕。

後期患者的情況則更麻煩，因為患者的病情惡化速度非常快。「有一個80多歲的老太太，前一年剛診斷出阿爾茨海默症，第二年就去世了」。說到這裡，楊士霆語氣中充滿了惋惜。

現有數據已足夠支撐產品研發

楊士霆認為，雖然雅森科技擁有的數據量看起來並不大，但已經足夠支撐產品的研發了，並且已經達到了較高的水準。

「在我們的能力範圍內，當然希望收集到儘可能多的數據。但從其他一些團隊公布的資料來看，他們擁有的數據量也才不過100多例。」

比如不久前，義大利的研究人員宣布開發了一種演算法，可以在阿爾茨海默症癥狀出現前10年，發現大腦中的微小結構變化。他們用於訓練人工智慧的核磁共振掃描圖不過才67張——38例來自阿爾茨海默症患者，29例來自健康人士。據悉，研究人員將掃描分為小區域，並讓他們的人工智慧分析神經元之間的連接。訓練完成後，他們用這種人工智慧對148名受試者的大腦掃描圖進行了測試。受試者中有48人患有輕度認知障礙，最終會形成阿爾茨海默症。這次測試中，該演算法檢測出輕度認知障礙的成功率達到了84%。

「我們從2008年就開始了數據採集工作，相比很多大型研究機構，我們掌握的數據已經非常齊全了。」楊士霆說道。

臨床實驗反推產品迭代

AI醫療產品的開發和臨床應用之間往往存在一定的差異。目前，雅森科技的阿爾茨海默症診斷產品已經在協和醫院經歷了半年左右的臨床實驗，陳暉也對雷鋒網分享了自己的感觸。

他說道：「產品開發和臨床應用之間最大的差異不是醫生是否認可你的檢查流程和方法，而是臨床醫生收集數據的標準和針對的對象都不完美。醫生是否按照規定收集量表，是否嚴格按照質控標準進行核磁掃描，影像雜訊是不是過大，都會影響到產品的使用效果。」

陳暉表示，理論上來說，所有能夠按照質控標準收集數據的醫院都可以採用雅森科技的阿爾茨海默症診斷產品，不過短期內的主要用戶還是地區級的三甲醫院。

為了進一步加速產品落地，雅森科技正在做許多新的嘗試和努力。「為了實現我們的產品真正意義上落地，雅森科技將為醫院提供一項質控服務。也就是說，我們的產品落地在哪個醫院，這個醫院就必須按照我們提供的標準收集原始數據。只有這樣，我們的產品才能真正發揮作用。」

發現問題之餘，雅森科技的阿爾茨海默症診斷產品也受到了不少醫生的肯定和好評。

陳暉表示，神經內科和核醫學科的醫生使用過雅森科技的阿爾茨海默症診斷產品後，都反饋使用效果良好。而且他們在使用過程中提出了很多建設性意見，比如增加一些新的數據源。陳暉透露，雅森科技目前正在和協和醫院的醫生討論，是否需要錄製一段病人的語音，將其回答問題的語音起伏和遲疑時間作為他是否患有失智症和輕度認知障礙的參考。

陳暉還介紹道，除了合作醫院，很多高端體檢中心和從事老年病篩查診治工作的機構也對雅森科技的阿爾茨海默症診斷方案表現出了強烈的興趣。

點擊展開全文

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！