全球大約有5000萬人患阿爾茲海默病或其它形式的癡呆癥，年齡是患該病的最大風險因素，研究人員認為，大部分阿爾茲海默病的患病原因都是基因和其它因素之間發(fā)生復雜相互作用所引起的，但他們并不清楚這些因素及其在患病中所扮演的關鍵角色。

來自南加州大學的科學家們就利用機器學習（machine learning）的技術鑒別出了指示阿爾茲海默病的潛在血液標志物，其或能幫助研究人員對該病進行早期診斷，并開發(fā)出無創(chuàng)手段來追蹤患者疾病的進展狀況；機器學習是人工智能（AI）技術的一個子集，即賦予電腦特殊能力，在不進行確切編程的情況下來進行學習。

研究者Paul Thompson說道，這種類型的分析是一種新方法，其能發(fā)現(xiàn)特殊的數(shù)據(jù)模式從而識別出阿爾茲海默病診斷標志物，在一個非常大的健康測量數(shù)據(jù)庫中，該技術能幫助發(fā)現(xiàn)阿爾茲海默病的預測性特征；相關研究結果發(fā)表于Frontiers in Aging Neuroscience雜志上。

如何鑒別特殊的生物標志物

迄今為止，絕大多數(shù)阿爾茲海默病領域的相關研究都重點關注研究者提出的一些假設，比如大腦中淀粉樣斑塊和tau蛋白的積累，事實證明，測量這兩種指標的技術在血液中都難以進行測定。因此，診斷測試在很大程度上基于患者的記憶，但不幸的是，當一個人開始表現(xiàn)出失憶跡象時，其可能患這種病已經(jīng)幾十年了。在患者出現(xiàn)癥狀之前發(fā)現(xiàn)疾病，是通過藥物和生活方式改變來改變患者生活質(zhì)量最為關鍵的一步。

圖片來源：commons.wikimedia.org

本文研究中，研究人員想知道是否還存在一些阿爾茲海默病的隱藏指標，即通過常規(guī)血液檢測無法發(fā)現(xiàn)的因素，但當我們不知道在尋找什么時又如何找到這些指標呢？隨后研究者將注意力轉移到機器學習技術上；2013年，研究者Greg Ver Steeg開發(fā)了一種名為Correlation Explanation（CorEx，關聯(lián)性解釋）的先進機器學習技術，其能有效梳理出被大量數(shù)據(jù)所淹沒的區(qū)域模式，包括神經(jīng)科學、心理學和財務等，同一年，計算生物學家Shirley Pepke也用這種算法研究了自身的癌癥。

在這項研究中，研究人員的目的就是利用相同的算法來揭示與阿爾茲海默病相關的隱藏因子或關聯(lián)性因子簇。Ver Steeg說道，目前并沒有單一的預測因素來幫助預測一個人是否有認知能力下降的趨勢，但或許一系列指標的集合或許就是最好的信號，我們的研究問題在于是否能用這種算法找到一組特征，而相比任何單獨測量的因素而言，這種特征都能夠更好地進行阿爾茲海默病的預測。

關系集群

研究者對來自阿爾茨海默氏癥神經(jīng)影像計劃數(shù)據(jù)庫中的829名老年人進行研究，對手機的醫(yī)學記錄信息進行分析來識別在過去一年里這些個體認知功能下降和大腦萎縮的指標；參與者被分為三種不同的診斷類群：認知正常組、輕度認知損傷組和阿爾茲海默病組；這些研究數(shù)據(jù)包括從腦成像、遺傳學、血漿和人口統(tǒng)計學信息中收集的400多個生物標志物。

圖片來源：neurowiki2014.wikidot.com

當研究者通過算法來運行數(shù)據(jù)時，不同的關系集群（distinct clusters of relationships）就會出現(xiàn)，淀粉樣蛋白和tau蛋白非常重要，但算法揭示這也與心血管健康、激素水平、代謝和免疫系統(tǒng)反應存在強相關關系；比如，較低的維生素B12水平是心血管疾病的風險因子，研究者能其與一種稱為基質(zhì)金屬蛋白酶的酶類和T細胞分泌的蛋白質(zhì)相結合。

研究者Thompson說道，由于此前已經(jīng)確定了某些測量指標的關系，而且這些指標也與阿爾茲海默病發(fā)病風險直接相關，因此本文研究就表明，不同特征之間的協(xié)同作用要比單一特征在預測阿爾茲海默病上更加有效。也許僅僅解決其中的一個問題并不能帶來很大的不同，但是解決一系列的問題可能有助于降低患這種疾病的風險。

最后研究者表示，目前科學家們發(fā)現(xiàn)了越來越多的生物標志物來進行疾病的早期診斷及更好地預測疾病，同時其還能提供血液檢測的新型靶點，未來研究人員希望能夠進行更大規(guī)模的研究來證實本文的研究結果，同時他們還希望利用這種新型的算法尋找指示多種疾病的隱藏呈現(xiàn)因素，比如精神分裂癥和抑郁癥等。

參考資料：

Researchers use AI to detect early signs of Alzheimer's

Nearly 50 million people worldwide have Alzheimer's disease or another form of dementia. While age is the greatest risk factor for developing the disease, researchers believe most Alzheimer's cases occur as a result of complex interactions among genes and other factors. But those factors and the role they play are not known—yet.

In a new study, USC researchers used machine learning to identify potential blood-based markers of Alzheimer's disease that could help with earlier diagnosis and lead to non-invasive ways of tracking the progress of the disease in patients. The method was developed by USC computer science research assistant professor Greg Ver Steeg, a senior research lead at the USC Information Sciences Institute (ISI). Machine learning is a subset of artificial intelligence (AI) that gives computers the ability to learn without being explicitly programmed......

原標題：科學家有望利用人工智能技術來檢測阿爾茲海默病的“隱藏”風險因素

本文來源自生物谷，更多資訊請下載生物谷APP(http://www.bioon.com/m/)