原文来源：GenAI新世界

图片来源：由无界 AI生成

据外媒报道，随着AI技术的发展，有朝一日，阿尔茨海默病的检测将会像检查视力一样简单。

位于多伦多的医药公司 RetiSpec 近日表示，他们开发了一种全新的AI算法，可以帮助分析眼部扫描的结果，在人们出现阿尔茨海默病症状的20年前就检测出是否可能患病。这项技术将帮助研究人员利用AI技术揭开阿尔茨海默病这个困扰700多万美国人的疾病的神秘面纱。

多年以来，许多人都在研究阿尔茨海默病的病因，包括脑部炎症和神经性病变。但目前这种疾病的确切病因仍然难以捉摸。阿尔茨海默病不仅难以治疗，甚至很难提前检测到。而不少研究人员表示，AI技术的发展开创了神经相关疾病诊断的新纪元。

据 RetiSpec的联合创始人Eliav Shaked表示：“归根结底，当前的医学研究对大脑工作原理仍然有很多不了解的地方，而AI技术的力量可以帮助大家更好地把这些问题联系起来。”

除了 RetiSpec之外，还有一家位于加州萨克拉门托的新公司也在参与相关的研究。这家叫做Neurovision的初创企业目标是利用机器学习技术来改进视网膜扫描和血液测试技术，帮助高危人群检测阿尔茨海默病或者其他的痴呆症。

据 Neurovision的联合创始人Steven Verdoone表示，Neurovision的人工智能模型可以分析眼球扫描图像中的异常情况，比如某些蛋白质的堆积或形状扭曲的血管，而这些都与阿尔茨海默病有关。

当前人们很少能在体检扫描中发现这些迹象，许多扫描出来的图片都存在暗区。而且斑块沉积可能会非常小，仅靠人眼无法很好地进行识别。但在Verdoone看来，AI在这方面比人类表现得更好。

来自亚利桑那大学医学院的神经病学副教授 Rui Chang建立了一个AI模型，旨在找出与阿尔茨海默病相关的遗传病因。据Rui Chang副教授表示，“对于研究人员来说，采用传统方法非常缓慢，就像一棵树一棵树地来观察一片森林。而AI可以一次性地吸收整片森林的信息，并找出人们无法发现的模式。”

Rui Chang的AI模型花了两个月的时间确定了6000个基因靶点，这些靶点如果被排除或抑制住，或许能够帮助人们控制住阿尔茨海默病发。据Chang表示，这个工具可以让相关研究缩短十年。依靠这个模型，Chang成立了一家名为Path Biotech的公司，并计划在明年开始临床试验。

“亚利桑那大学医学院的神经病学副教授RuiChang

在2021年，阿尔茨海默病是美国第六大死因。一直到今年7月，美国食品和药物管理局才批准了一种名为Leqembi的药物，它可以清除阿尔茨海默病患者大脑中聚集的黏性斑块－-淀粉样蛋白。但目前识别这种疾病的技术既昂贵又困难。

有症状的人可以通过脊髓穿刺或 PET 扫描来检测他们是否体内有高浓度的淀粉样蛋白和纠缠在一起的 tau 蛋白，这种蛋白在阿尔茨海默病患者体内非常常见。RetiSpec 首席商务官Catherine Bornbaum表示，这种扫描非常准确，是诊断阿尔茨海默病的黄金标准。与尸检结果相比（这是确定病人死时是否患有阿尔茨海默病的唯一方法），PET 扫描的诊断成功率接近90%。但这种机器并没有普及，且扫描的费用很贵。这项诊断可能会花费数周的时间，而且一次诊断费用约为6000美元，且不能靠保险公司报销。

而有了 AI技术的支持，不仅诊断速度被加快了，还可以降低其成本。RetiSpec的AI技术可以帮助提取摄像头的扫描结果，这需要一种新型摄像头，目前已经被安装在许多验光诊所的设备上。

这种摄像头测量的光谱范围比人眼更广，让 AI可以检测出与大脑中淀粉样蛋白存在情况相对应的独特光学特征。最新的研究显示，通过对271名患者的调查，新技术检测到淀粉样蛋白的准确率达到了80%。

但在实际应用中，这种方法还有一定的问题。来自马萨诸塞州总医院的研究人员 Matt Leming表示，AI工具在用于医学研究中的临床测试中有很不错的表现，不过在实际使用中可能会出现崩溃的情况。Leming表示：“用于生物研究的AI模型目前还很棘手。”

Leming表示，AI能够从海量数据中进行学习，比如ChatGPT因为可以从互联网上收集到的文本中进行学习而衍生出了分析和模仿写作的能力。但医学数据相对稀缺，并且很多都是专有数据。这使得适用于生物技术领域的AI模型的学习样本变得有限。而且与受控的实验室环境相比，AI在临床过程中遇到的病例差异更大，使结果容易出现偏差。

在 Leming看来，AI从根本上改变医疗方式这种情况并不会发生。

这是很多公司改进的目标，不少企业和科研机构都在寻找新方法来改善医学模型的尴尬现状。

Chang表示，他已经尝试通过使用数学模型来克服这个问题，这些数学模型可以最大限度地减少误差，提高预测的准确性。而RetiSpec也从 14 个研究合作伙伴那里采集了样本，并从这些合作伙伴那里收集了来自不同种族和社会经济社区的样本。

Neurovision认为，通过从不同的数据集中提取样本，并与其他数据集进行对比测试，可以最大化减少误差。据 RetiSpec 的Shaked说：“我们工作中很重要的一部分，就是确保AI不会出现垃圾进垃圾出的问题。”