每年数百万人会患上老年痴呆症。根据数据报导，它是美国第六大死亡原因，而且医疗和护理费用也相当昂贵。

一家为临床研究设计软件工具的创业公司Unlearn的研究人员认为，人工智能在个性化诊断和治疗方面具有重要的作用，发表了一篇论文“Using deep learning for comprehensive, personalized forecasting of Alzheimer’s Disease progression”，他们提出了一个预测病程进展的系统，本质上是预测个体病人在未来任何时候都会经历的症状。

研究小组写道，“两名患有相同疾病的患者可能出现不同的症状，以不同的速度进展，并对同一种疗法的反应不同，了解如何预测和管理患者之间的精准差异是医学的主要目标。使用机器学习方法开发的疾病进展的计算模型提供了一种工具来对抗这种异质性。”

跟踪认知能力下降的人工智能系统并不新奇。蒙特利尔麦吉尔大学的神经学家开发了一种PET扫描摄取算法，该算法可以确定患者最终患有痴呆症的准确率为84％，杜克大学和克罗地亚Rudjer Boskovic研究所的科学家使用机器学习来获取脑组织损失的变化。

但Unlearn的系统采用无监督的学习方法，这意味着它使用未被分类或标记的数据。此外，它同时计算患者多个特征的预测和置信区间。

开发是一个由两部分组成的过程。

首先，该团队使用Boltzmann编码对抗机（BEAM）对临床数据建模，这是一种非常适合分类和特征建模任务的神经网络。他们训练和测试在联盟对重大疾病(CAMD)在线数据存储库的老年痴呆症，包括1908个病人测量一段时间内的18个月覆盖42个变量，包括单个组件ADAS-Cog(低端)一种广泛使用的认知和细微精神状态检查(问卷用来测量认知障碍的临床和研究设置)。

接下来，该团队使用经过训练的模型生成“虚拟患者”及其相关的认知考试分数，实验室测试和临床数据。对个体患者进行模拟，以便在诸如单词回忆，定向和命名等方面预测其疾病进展，这些区域又用于计算整体ADAS-Cog评分。

研究人员声称，无人监督的模型能够在至少18个月的时间里做出准确的预测，而且他们相信它可以被用来预测其他退化性疾病患者的预后。

“我们在这里描述的模拟疾病进展的方法很容易扩展到其他疾病的预测，深度生成模型在临床数据中的广泛应用可以产生不侵犯隐私的合成数据集，或者可以用于运行模拟临床试验以优化研究设计。在某些疾病领域，使用模拟预测特定个体风险的工具可以帮助医生为患者选择合适的治疗方法。”

论文：arxiv.org/pdf/1807.03876.pdf