用AI监测大脑身体变化，人类可能提前数年发现阿尔茨海默症征兆

马萨诸塞州马尔伯勒的一个平凡清晨，David Graham从自己的房间中醒来，而房间墙上挂着的白色设备开始记录他的每一个动作。

这台设备能够识别David何时起床、穿好衣服、走到窗口或者去洗手间。它能够判断他是在睡觉还是昏倒在地。它通过低功率无线信号绘制他的步态速度、睡眠模式、位置甚至是呼吸模式。这一切信息都将被上传至云端，并由机器学习算法利用每天的数千次行动整理出David的活动模式。

这台设备属于一项整体实验的重要绝大部分，研究人员们希望借此追踪并了解阿尔茨海默症的具体症状。

在患者处于这一疾病的早期阶段时，其具体症状其实并不明显。但在开始出现认知混乱与记忆丧失之前，大脑中的变化就已经以微妙的方式影响到患者的行为与睡眠模式转变。研究人员们认为，人工智能有能力及早发现这些变化，从而抢先确定哪些患者存在病情严重恶化的可能性。

如果能够提前数年发现阿尔茨海默症的征兆，患者将可接受实验性药物治疗，并由家人提前为其制定护理计划。配备这种算法的设备可以安装在患者家中或者护理设施之内，用以监测存在患病风险的病人。而对于已经确诊的患者，这项技术亦可帮助医生对具体护理方法作出调整。

制药企业也对机器学习算法抱有浓厚兴趣，他们希望通过病患的医疗记录找到最可能从实验性药物中受益的对象。而在研究过程中，人工智能也可以及时提醒调查人员相关药品是否对病患的症状产生了改善效果。

目前，尚不存在诊断阿尔茨海默症的简单方法。具体来讲，我们没有单项测试方法，也无法通过脑部扫描确定对方是否患有该种疾病。相反，医生必须考虑各种因素——包括病人的病史以及来自家庭成员与医护人员报告的观察结果。因此，机器学习将能够从中找到那些极易被忽略的共通性模式。

图：David Graham，身在马萨诸塞州马尔伯勒护理设施中的他正在接受房间中AI驱动设备的追踪与记录。

与其他四位同样接受设备监控的病患不同，Graham实际上并没有被确诊患有阿尔茨海默症。但研究人员们正在监测他的行动，并将他与疑似病例的行为模式进行比较。

Dina Katabi和她的团队原本在麻省理工学院计算机科学与人工智能实验室当中开发一款用于检测老年人跌倒的探测装置。但他们很快意识到，这台设备实际上拥有更多的用途。在他们看来，如果其能够准确发现老年人跌倒状况，也必然可以识别其它运动——例如踱步与徘徊，这些都可能与阿尔茨海默症有所关联。

Katabi指出，他们的目标在于监控人们，同时保证对象群体不必每天佩戴穿戴式设备。她解释称，“整个过程完全以被动方式实现，病人们不需要将传感器戴在身上或者做出任何特定行动。此外，其实际干扰也要比摄像机少得多。”

如何起效

Graham几乎没有注意到自己洒满阳光的房间里挂有这样一部白色的装置。事实上，他对该设备最直接的认知，就是Ipsit Vahia会告诉他这台装置会追踪他的行动并收集相关数据。Vahia身为麦克林医院与哈佛医学院的老年精神病学家，他与麻省理工学院的技术发明人们正在对该设备进行小规模试点研究。

Graham期待着最终成效。事实上，当Vahia准确说出他曾在夜间醒来一小会时，他感到非常惊讶。尽管Graham本人并不记得，但该设备确实检测到了他的睡眠状态变化。

该设备的无线电信号强度只有Wi-Fi的两千分之一，但足以探测到30英尺半径范围内的所有物体——包括人体。人体作出的每一个动作，即使是呼吸等最为轻微的活动，也都会引起反射信号的变化。

Katabi和她的团队开发出了机器学习算法，能够分析所有这些微小的反射变化。他们训练该系统识别走路及摔倒等简单的动作，以及与睡眠障碍相关的其它更复杂的动作。Katabi表示，“随着我们向其传授的知识越来越多，机器就能掌握学习能力，并在下一次自行发现新的模式——其中相当一部分模式对于人类而言太过抽象、复杂，但机器仍然足以将其识别出来。”

随着时间的推移，设备会生成大量读取数据，用以显示探测对象的行为模式。人工智能将从中挑选出可能与躁动、抑郁以及睡眠障碍等模式相关的偏差信息。其也可以反映一个人是否会在一天之内重复某些行为——这些都属于阿尔茨海默症的典型症状。

Vahia指出，“如果我们能够早日发现这些偏差，就能作出预测并帮助病人管理相关健康问题。”

在对一位患有阿尔茨海默症的病人进行诊断时，Vahia和Katabi能够发现她曾在凌晨2点醒来并在房间中徘徊。他们还注意到，在某些家庭成员到访之后，这位患者会更加放松。Vahia则据此调整了镇静用药物的剂量。

图：Ipsit Vahia与Dina Katabi正在测试用于监测阿尔茨海默症患者以及潜在高风险发病人群的AI驱动设备。

大脑变化

人工智能还可以帮助医生检测到大脑中出现的阿尔茨海默症早期征兆，同时了解这些身体变化在不同人群身上如何表现。蒙特利尔麦吉尔大学神经学家Pedro Rosa-Neto表示，“当放射科医生查看扫描图时，是无法据此判断对方是否罹患阿尔茨海默症的。”

Rosa-Neto和他的同事Sulantha Mathotaarachchi开发出一套算法，用于分析来自可能存在阿尔茨海默症患病风险的人群的正电子发射断层扫描（简称PET）图。通过医疗记录，研究人员能够得知哪些病人在接受扫描后的两年之内出现了阿尔茨海默症症状，而他们希望借此检测AI系统能够通过图像分析与模式识别提早得出结论。

果然，该算法能够在大脑的某些区域当中发现淀粉样蛋白（一种通常与疾病相关的蛋白质）团块中存在的模式。即使是训练有素的放射科医师，也很难在脑部扫描图中注意到这些变化。立足这些模式，该AI系统能够以84%的准确率检测到哪些患者将最终患上阿尔茨海默症。

机器学习也能够帮助医生预测不同患者的疾病严重程度。杜克大学医师兼科学家P. Murali Doraiswamy正在利用机器学习技术来确定患者所处的疾病阶段以及其病情是否有可能进一步恶化。

Doraiswamy指出，“我们一直将阿尔茨海默症视为一种统一的病症。然而，患有阿尔茨海默症的病患并不一定都具有相同的症状，而且其中一部分可能比其他人病情更重。医生不知道哪些患者能够继续保持稳定，而哪些患者的情况将快速恶化。因此，我认为解决这个问题的最好方法，就是将其交给机器处理。”

他与克罗地亚Rudjer Boskovic研究所的人工智能专家Dragan Gamberger合作，共同开发出一种机器学习算法。该算法能够通过来自562位患有轻度认知障碍的病人的脑部扫描图及医疗记录对其进行五年期分类。

通过观察，这群病患中出现了截然不同的两大类：一部分在五年期内出现了显著的认知能力下降，而另一部分则几乎没有发生变化。该系统能够随着时间推移持续追踪脑组织损伤的变化情况。

而第三类病患则处于轻度认知障碍与晚期阿尔茨海默症之间。Doraiswamy表示，“我们不清楚为什么会存在这样的群体。”

临床试验

从2002年到2012年，99%的阿尔茨海默症研究药物在临床试验中遭遇失败。原因之一，在于没人确切了解该疾病的致病机理。但另一个原因则是，人们很难确定哪些患者最可能从特定药物当中受益。

AI系统能够帮助设计出更好的试验方案。负责监督美国国立研究院老年研究所老年痴呆症研究工作的Marilyn Miller表示，“只要将这些人的共有基因表达、特征与造影扫描结果结合在一起，就能够大大降低药物的测试难度。”

而在患者参与研究之后，研究人员将能够对其开展持续监测，了解他们是否能够从实验性药物中受益。

强生公司神经科学研究小组的研究员Vaibhav Narayan表示，“阿尔茨海默症药物研发工作的最大挑战之一，在于我们缺少理想的方法分析出最适合药物测试的理想人群。”

他解释称，机器学习算法将极大加快药物研究当中招募受试患者的过程。如果人工智能能够确定哪些患者最有可能遭遇病情快速恶化，那么调查人员将能够更轻松地判断出某些药物是否有益。

如此一来，如果Vahia等医生能够发现Graham等病患身上出现的阿尔茨海默症早期症状，即可快速引导其报名参与临床试验，从而尽早遏制可能在几年后出现的破坏性脑部影响。

Miller认为，人工智能有望在未来五年内被广泛应用于对患者进行阿尔茨海默症的诊断与预测。但她同时表示，还需要大量数据才能确保算法的准确性与可靠性。当然，Graham正用自己的实际行动协助这项目标的完成。