奇點糕先私心給大家墻裂推薦一部有關AI的犯罪題材美劇，《疑犯追蹤》，首播至今正好十年。
劇情大致就是，一個超級AI能夠通過調用每個角落的圖像、音頻等監測數據并進行整合，預測出某時某刻某地某人的行動，從而用“上帝視角”指引主角團以及國家字母機構將犯罪扼殺于搖籃。令人動容的不僅是主角團之間的溫情等，還有超級AI的內心成長歷程，一點也不虐。
當然，人工智能是個很寬泛的概念，除了在影視劇、文學作品中展示炫酷的一面，人工智能現在已經廣泛應用于工程、科學領域，甚至臨床應用中，突破我們人類的思維、能力困境。
近日，一篇發表在JAMA Network Open期刊上的文章發現，運用好人工智能不僅可以用來預測犯罪動機、猜透我們的小心思，還能簡單、精準地預測認知功能障礙的老大難——阿爾茨海默病（AD）的患病風險。
來自英國埃克塞特大學的David J. Llewellyn和他的同事們，基于15307人的數據開發了新的AI模型。僅需患者的記憶力、獨立性、認知測試結果等6種常規病理報告，就能以91%的準確率預測未來2年內的AD風險，ROC曲線下方的面積（AUC）高達0.89，這突破了AI模型用于AD臨床診斷的局限；同時還能降低82%的誤診率[1]。
論文首頁截圖
AD發病機制極其復雜，可從記憶減退發展至喪失身體機能，對家庭和社會造成極重的負擔。而目前的AD藥物還無法完全治愈患者，只能延緩疾病進展、維持生活功能等。所以，AD的早發現早治療顯得尤為重要。
但已有的臨床篩查模型多用于評估初診后中、長期的AD患病風險。比如Miia Kivipelto 等人開發的CAIDE模型[2]、Deborah E. Barnes等人開發的BDSI模型[3]，分別能夠預測未來20年、6年內的AD風險，當預測短時期內的AD風險時，還是差些事。
既然人類自己不好解決，為何不留給AI試試呢？
已有研究開發用于預測AD風險的AI模型[4-8]，但這些AI模型大多需要高級神經影像學、基因檢測、腦脊液生物標志物等非常規病理報告作為分析數據，在臨床診斷上具有局限性。
我們點亮的是自己的認知，還是AI的認知？
于是，Llewellyn和他的同事們試圖開發一種新的AI模型，填補當前AD診斷上的缺口。
他們先是從美國國家阿爾茨海默病協調中心（NACC）獲取了在2005-2015年期間進行初診，但尚未患有癡呆的受診人員數據。共納入15307人，平均年齡72.3歲，女性占60%。
經隨訪發現，其中10%的人（n=1568）在初診2年內患上不同癡呆亞型，包括AD（n=1285）、路易體癡呆（n=82）、血管性癡呆（n=21）以及其他未歸類癡呆亞型（n=180）。
隨后，研究者們對四種AI模型的預測效果進行了評估。這些AI模型分別基于四種機器學習算法——邏輯回歸（LR），支持向量機（SVM），隨機森林（RF）以及梯度提升樹（XGB）。
結果顯示，通過對患者在初診時的家族史、病史、藥物史等256種臨床病理數據進行整合，這四種AI模型的診斷性能相近，與CAIDE模型、BDSI 模型相比，都能夠更加準確地預測未來2年內的AD風險。尤其是基于XGB的AI模型，準確率達92%，AUC達0.92。
這四種AI模型之間性能相似，且都優于已有的CAIDE和BDSI模型
不僅如此，基于不同算法，這四種AI模型對于不同癡呆亞型的識別敏感性還略有不同。
基于LR的AI模型對AD以及未歸類癡呆亞型更敏感，能夠正確識別出46%的AD患者、55%的未歸類癡呆亞型患者。而基于SVM的AI 模型在識別路易體癡呆上表現最佳，能夠正確識別出49%的路易體癡呆患者。對于血管性癡呆，這四種AI模型都能正確識別出33%的患者。
這四種AI模型識別癡呆亞型的能力相近且良好
（LBD：路易體癡呆；VaD：血管性癡呆）
但此時研究者們還不滿足。AI模型往往需要大量、不同的數據來支撐，這也是開頭提到的AI模型在臨床應用上的限制。那么這四種AI模型能否“輕裝上陣”，僅用少量且常規的病理報告就精準完成預測呢？
他們發現，即使僅提供患者的6種常規病理報告數據（臨床醫生診斷、心理測試完成時間、方向感、記憶力、獨立性以及特定生活方式），基于LR的AI模型和基于XGB的AI模型仍可發揮良好的診斷性能，準確度均可達到91%，AUC達到0.89。
有趣的是，在這些2年后被診斷為癡呆的患者中，有8%的人（n=130）在確診后被發現是誤診。而研究者們發現，基于LR的AI模型，能夠將誤診率降低84%。
e Table 4：6種常規病理報告
e Table 5：基于LR或SVM的AI模型的各項性能仍良好
總體來說，Llewellyn和他的同事們基于15307人的數據，成功利用新的AI模型準確預測出未來2年內的AD患病風險。
而且僅需患者的臨床醫生診斷、心理測試完成時間、方向感、記憶力、獨立性以及特定生活方式這6種常規病理報告，就可達到91%的準確率，AUC達0.89，突破了AI模型用于AD臨床診斷的局限性，并將誤診率降低84%。
奇點糕不禁感嘆一下，人類的技術提升+整活能力，使得人工智能在生活中的應用越來越廣。人類學習知識、提高自身認知水平創造AI，再讓AI通過機器學習來預測人類認知功能的退化，妙啊~
參考文獻：
[1]James C, Ranson JM, Everson R, Llewellyn DJ. Performance of Machine Learning Algorithms for Predicting Progression to Dementia in Memory Clinic Patients. JAMA Netw Open. 2021;4(12):e2136553. doi:10.1001/jamanetworkopen.2021.36553
[2]Kivipelto M. et al. Risk score for the prediction of dementia risk in 20 years among middle aged people: a longitudinal, population-based study. Lancet Neurol. 2006;5(9):735-741. doi:10.1016/S1474-4422(06)70537-3
[3] Barnes DE. et al. Development and validation of a brief dementia screening indicator for primary care. Alzheimers Dement. 2014;10(6):656-665.e1. doi:10.1016/j.jalz.2013.11.006
[4] Cui Y, Liu B, Luo S, et al; Alzheimer’s Disease Neuroimaging Initiative. Identification of conversion from mild cognitive impairment to Alzheimer’s disease using multivariate predictors. PLoS One. 2011;6(7):e21896. doi:10.1371/journal.pone.0021896
[5]Lin M, Gong P, Yang T, Ye J, Albin RL, Dodge HH. Big data analytical approaches to the NACC dataset: aiding preclinical trial enrichment. Alzheimer Dis Assoc Disord. 2018;32(1):18-27. doi:10.1097/WAD.0000000000000228
[6]Park JH, Cho HE, Kim JH, et al. Machine learning prediction of incidence of Alzheimer’s disease using large-scale administrative health data. NPJ Digit Med. 2020;3(1):46. doi:10.1038/s41746-020-0256-0
[7]Zhan Y, Chen K, Wu X, et al; Alzheimer’s Disease Neuroimaging Initiative. Identification of conversion from normal elderly cognition to Alzheimer’s disease using multimodal support vector machine.J Alzheimers Dis. 2015;47(4):1057-1067. doi:10.3233/JAD-142820
[8]Burgos N, Colliot O. Machine learning for classification and prediction of brain diseases: recent advances and upcoming challenges. Curr Opin Neurol. 2020;33(4):439-450. doi:10.1097/WCO.0000000000000838
本文作者 | 張艾迪
