萬航林
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，在於沒人確切瞭解該疾病的致病機理。但另一個原因，人們很難確定哪些患者最可能從特定藥物當中受益。
在患者處於這一疾病的早期階段時，具體症狀其實並不明顯。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。
現在，研究人員們認為，人工智能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。
研究人員們開發了一臺AI設備，安裝在幾位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，希望藉此追蹤並瞭解阿爾茨海默症的具體症狀。
這臺設備能夠識別患者何時起床、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，並由機器學習算法利用每天的數千次行動整理出患者的活動模式。
製藥企業也對機器學習算法抱有濃厚興趣，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，人工智能也可以及時提醒調查人員相關藥品是否對病患的症狀產生了改善效果。
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，David 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。
整個研究起源於Dina Katabi和她的團隊，其原本在麻省理工學院計算機科學與人工智能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，這臺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，病人們不需要將傳感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
當Vahia準確說出Graham曾在夜間醒來一小會時，他感到非常驚訝，儘管他本人並不記得，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復雜的動作。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。人工智能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症狀。
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。
圖為Ipsit Vahia與Dina Katabi
大腦變化
人工智能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，同時瞭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症狀，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。
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症狀，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。”
他與克羅地亞Rudjer Boskovic研究所的人工智能專家Dragan Gamberger合作，共同開發出一種機器學習算法。該算法能夠通過來自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
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，瞭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。”
而機器學習算法將極大加快藥物研究當中招募受試患者的過程。如果人工智能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症狀，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，人工智能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。
科技行者
阿爾茨海默症又稱為老年痴呆症，這是一種中樞神經系統變性病，從患病人群的腦部，科學家們發現了β澱粉樣蛋白沉積。
阿爾茨海默症的發病原因過去一直是個謎，上個世紀90年代，科學家對於阿爾茨海默症的研究有了重大突破，他們發現阿爾茨海默症與乙酰膽鹼有關係，乙酰膽鹼是人體內的一個神經遞質，乙酰膽鹼多了也不好，少了也不好，少了以後記憶力會下降。腦部專門有一個酶，專門破壞乙酰膽鹼的，叫做乙酰膽鹼酯酶，它不斷破壞腦部的乙酰膽鹼，造成乙酰膽鹼減少，這樣就影響人的學習記憶能力。這是人們患上阿爾茨海默症的主要原因。
從國際上來看，阿爾茨海默症還是一種不可逆的疾病。
阿爾茨海默症也有遺傳因素，家裡有人患過此病的，其他親屬的患上阿爾茨海默症的比例會比沒有親人患病的比例高。當然我們也可以採取一些措施來預防阿爾茨海默症的發生，比如說盡量保持情緒穩定，多聽一些舒緩的音樂，不要大悲大喜，不要抽菸喝酒，平時多做一些益腦的活動，注意清淡飲食，減少脂肪的攝入，少吃油炸食品等。
