AI可提早2年預測阿茲海默症

作者：DIGITIMES張朝欽

阿茲海默症(Alzheimer)患者在臨床上常出現認知能力無預期的顯著下降，因此美國麻省理工學院(MIT)研究人員發展出一模型，能準確預測最多未來2年病患認知測試分數和認知能力可能下降的情形。該模型也可用於改善病患候選藥物的選擇，研究顯示，處於該疾病早期的病患是藥物治療最有效的時期。

麻省理工研究人員在一場機器學習促進醫療(Machine Learning for Health Care)會議上發表了論文，敘述一種機器學習模型能協助臨床醫生對一群特定參與者進行病情預測。

包括臨床上顯著的認知測試分數以及從阿茲海默症患者而來的生物特徵數據所組成的一個完整資料庫上，以及醫生每2年訪問1次所收集到的健康個體，團隊訓練了1種「群體模型」。該模型可學習一些模式，可預測病患將如何在認知測試中得分。第二種模型是在新參與者加入後，對病患進行個人化設置，例如根據最近的訪問所獲得的數據，持續地更新預測分數。

實驗證明，精準預測的時間可提前至6、12、18和24個月，對於高風險或認知能力可能會快速下降的病患，在臨床癥狀出現前，醫生可及早預測，以及選擇較有效的對抗藥物及早治療。主要研究人員Oggi Rudovic表示，準確預測認知能力下降趨勢至為重要，這也可減少訪問病患的次數，降低臨床成本。

MIT研究團隊將全球最大的阿茲海默病患臨床試驗資料庫稱為ADNI(Alzheimer"s Disease Neuroimaging Initiative)，數據包括1700名參與者數據，也包括在超過10年醫生每半年一次的訪問中所紀錄的是否患有阿茲海默症的情形。數據來源包含了認知量表ADAS-Cog13，此為阿茲海默症藥物臨床最常使用的認知指標。

研究人員挑選其中次群體100名參與者進行訓練和測試模型，對他們進行訪問，每個人都有超過600個可計算的特徵。他們之中只有48名被診斷有阿茲海默症，為了克服數據較少的問題，團隊使用一種「非參數」幾率架構(稱為GPs；Gaussian Processes)來訓練模型。該架構具有靈活的參數來適應各種幾率分布和數據的不確定性。該技術可測量變數之間的相似性例如病患的數據點，以及預測未知數據點的數值例如認知的評分。

但MIT團隊發現模型在面對新加入的參與者時，預測準確率會下降，於是在群體模型之外，發展出個人化模型，系統將逐步地填補新病患的數據缺口並更新ADAS-Cog13的分數，並且透過不斷更新之前未知的GPs分布，來進一步更新ADAS-Cog13的評分預測。

而研究人員發現個人化模型仍不夠理想，進一步又發展出「Metalearning」方案，能自動地學習選擇那些模型、群體或個人化的類型，根據分析數據來決定哪些工作對特定參與者是最好的。Metalearning過去被用於計算機視覺或機器翻譯的工作，Rudovic表示，首次用於追蹤阿茲海默症的認知能力下降，主要為克服有限數據的問題。

該方案主要模擬了不同模型執行任務的情形，例如預測ADAS-Cog13評分，並學習最適合者。每有新病患加入，該方案會根據之前的數據來分派出適合的模型。Rudovic表示這可將預測的錯誤再降低50%。Metalearning就像模型的頂部，作為模型選擇器，利用metaknowledge來訓練出對最佳模型的選擇。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！