雷锋网消息，近日南加州大学的研究人员在医学数据中发现了一些“隐藏的因素”，这些因素可以对阿尔茨海默症进行预测。

【 图片来源：USC Neuroscience Graduate Program 】

通常来说，年龄是导致老年痴呆症发展的最大危险因素，但研究人员认为，大多数老年痴呆症的发生是由于基因和其他因素之间的复杂相互作用造成的，不过目前是哪些因素在起作用还不清楚。

据雷锋网了解，南加州大学的研究人员利用”相关性解释（Correlation Explanation，CorEx）“的机器学习方法，发现了阿尔茨海默症的“隐藏因素”。这项题为“发现衰老大脑中阿尔茨海默症风险的生物学相关外周特征”的研究发表在杂志《Frontiers in Aging Neuroscience》。

研究人员将800多名参与者的脑成像、血浆和人口统计信息等400多种潜在生物标记物组合起来，用机器学习来识别潜在的基于血液的阿尔茨海默病标志物。这些标志物可以帮助老年病症进行无创早期诊断，跟踪患者的疾病进展。

结果表明：β淀粉样蛋白和Tau蛋白是阿兹海默病最关键的指标。同时，CorEx还发现心血管健康、激素水平、新陈代谢、免疫系统都与阿兹海默病有所关联。

“这种类型的分析是发现数据模式以识别疾病关键诊断标志物的一种新方法，”南加州大学马克学院、研究小组成员保罗·汤普森和南加州大学凯克医学院教授玛丽·史蒂文斯表示，“在一个庞大的健康测量数据库中，它帮助我们发现了阿尔茨海默症的预测特征。”

识别生物标志物

迄今为止大多数阿尔茨海默症的研究都集中在已知的假设上，例如大脑中β淀粉样蛋白和Tau蛋白的积聚。但事实证明，这两种物质在血液中都很难测量。

因此，通常的阿尔茨海默症诊断测试主要基于患者记忆。不幸的是，当一个人开始表现出记忆丧失的迹象时，他们可能已经患了几十年的这种疾病。在症状出现之前及早发现疾病是一个关键步骤，以便后期通过药物治疗改变生活方式。

南加州大学的神经科学家想知道是否还有其他阿尔茨海默症的“隐藏”指标——可以通过常规血液测试检测到的因素。他们利用CorEx算法，并获得CorEx开发者格雷格·弗·施泰格（Greg Ver Steeg）的帮助。

2013年，南加州大学信息科学研究所（ISI）的高级研究负责人Greg Ver Steeg开发了“相关解释（CorEx）”的机器学习方法，此方法能够在包括神经科学，心理学和金融学等领域中开发新的研究模式。

Ver Steeg说：“可能没有单一的预测因素表明你是否有可能出现认知衰退或者它有多严重，但也许有一些指标可以作为更好的预测信号。我们正在研究的问题是，除了预测阿尔茨海默氏症，该算法是否还可以更好预测其他病症因素的特征组。”

汤普森表示，越来越多的生物标志物可以为未来预测和诊断提供更好的依据，为血液检测提供新的目标。在未来的研究中，他和他的团队希望在更多的患者群体中确认结果，并使用Ver Steeg的方法找出其他疾病的隐藏因素，如精神分裂症和抑郁症。

AI应用老年痴呆症检测

据雷锋网了解，全球约有4680万名阿尔兹海默症患者。相比医生凭借症状判断老年痴呆症，不少研究团队已经发现了AI检测老年痴呆症的优势。

2018年11月，斯坦福大学的研究人员开发了一种基于深度学习的系统，可从核磁共振成像中自动检测阿尔兹海默症及其生物标志物，准确率高达94%。

该团队采用CUDNN-accelerated TensforFlow深度学习框架，基于Alzheimer’s Disease Neuroimaging Initiative提供的数据集，训练3D卷积神经网络。该神经网络学会解释大脑不同区域及其与疾病的关联，包括与阿尔兹海默症相关的生物标志物。

人工智能对早期阿尔兹海默症等老年疾病进行检测的意义在于，医生可以在病人出现任何早期症状之前改变病人的生活方式，从而延缓疾病的发展，减少病人以及家属的痛苦。