奇点糕先私心给大家墙裂推荐一部有关AI的犯罪题材美剧，《疑犯追踪》，首播至今正好十年。
剧情大致就是，一个超级AI能够通过调用每个角落的图像、音频等监测数据并进行整合，预测出某时某刻某地某人的行动，从而用“上帝视角”指引主角团以及国家字母机构将犯罪扼杀于摇篮。令人动容的不仅是主角团之间的温情等，还有超级AI的内心成长历程，一点也不虐。
当然，人工智能是个很宽泛的概念，除了在影视剧、文学作品中展示炫酷的一面，人工智能现在已经广泛应用于工程、科学领域，甚至临床应用中，突破我们人类的思维、能力困境。
近日，一篇发表在JAMA Network Open期刊上的文章发现，运用好人工智能不仅可以用来预测犯罪动机、猜透我们的小心思，还能简单、精准地预测认知功能障碍的老大难——阿尔茨海默病（AD）的患病风险。
来自英国埃克塞特大学的David J. Llewellyn和他的同事们，基于15307人的数据开发了新的AI模型。仅需患者的记忆力、独立性、认知测试结果等6种常规病理报告，就能以91%的准确率预测未来2年内的AD风险，ROC曲线下方的面积（AUC）高达0.89，这突破了AI模型用于AD临床诊断的局限；同时还能降低82%的误诊率[1]。
论文首页截图
AD发病机制极其复杂，可从记忆减退发展至丧失身体机能，对家庭和社会造成极重的负担。而目前的AD药物还无法完全治愈患者，只能延缓疾病进展、维持生活功能等。所以，AD的早发现早治疗显得尤为重要。
但已有的临床筛查模型多用于评估初诊后中、长期的AD患病风险。比如Miia Kivipelto 等人开发的CAIDE模型[2]、Deborah E. Barnes等人开发的BDSI模型[3]，分别能够预测未来20年、6年内的AD风险，当预测短时期内的AD风险时，还是差些事。
既然人类自己不好解决，为何不留给AI试试呢？
已有研究开发用于预测AD风险的AI模型[4-8]，但这些AI模型大多需要高级神经影像学、基因检测、脑脊液生物标志物等非常规病理报告作为分析数据，在临床诊断上具有局限性。
我们点亮的是自己的认知，还是AI的认知？
于是，Llewellyn和他的同事们试图开发一种新的AI模型，填补当前AD诊断上的缺口。
他们先是从美国国家阿尔茨海默病协调中心（NACC）获取了在2005-2015年期间进行初诊，但尚未患有痴呆的受诊人员数据。共纳入15307人，平均年龄72.3岁，女性占60%。
经随访发现，其中10%的人（n=1568）在初诊2年内患上不同痴呆亚型，包括AD（n=1285）、路易体痴呆（n=82）、血管性痴呆（n=21）以及其他未归类痴呆亚型（n=180）。
随后，研究者们对四种AI模型的预测效果进行了评估。这些AI模型分别基于四种机器学习算法——逻辑回归（LR），支持向量机（SVM），随机森林（RF）以及梯度提升树（XGB）。
结果显示，通过对患者在初诊时的家族史、病史、药物史等256种临床病理数据进行整合，这四种AI模型的诊断性能相近，与CAIDE模型、BDSI 模型相比，都能够更加准确地预测未来2年内的AD风险。尤其是基于XGB的AI模型，准确率达92%，AUC达0.92。
这四种AI模型之间性能相似，且都优于已有的CAIDE和BDSI模型
不仅如此，基于不同算法，这四种AI模型对于不同痴呆亚型的识别敏感性还略有不同。
基于LR的AI模型对AD以及未归类痴呆亚型更敏感，能够正确识别出46%的AD患者、55%的未归类痴呆亚型患者。而基于SVM的AI 模型在识别路易体痴呆上表现最佳，能够正确识别出49%的路易体痴呆患者。对于血管性痴呆，这四种AI模型都能正确识别出33%的患者。
这四种AI模型识别痴呆亚型的能力相近且良好
（LBD：路易体痴呆；VaD：血管性痴呆）
但此时研究者们还不满足。AI模型往往需要大量、不同的数据来支撑，这也是开头提到的AI模型在临床应用上的限制。那么这四种AI模型能否“轻装上阵”，仅用少量且常规的病理报告就精准完成预测呢？
他们发现，即使仅提供患者的6种常规病理报告数据（临床医生诊断、心理测试完成时间、方向感、记忆力、独立性以及特定生活方式），基于LR的AI模型和基于XGB的AI模型仍可发挥良好的诊断性能，准确度均可达到91%，AUC达到0.89。
有趣的是，在这些2年后被诊断为痴呆的患者中，有8%的人（n=130）在确诊后被发现是误诊。而研究者们发现，基于LR的AI模型，能够将误诊率降低84%。
e Table 4：6种常规病理报告
e Table 5：基于LR或SVM的AI模型的各项性能仍良好
总体来说，Llewellyn和他的同事们基于15307人的数据，成功利用新的AI模型准确预测出未来2年内的AD患病风险。
而且仅需患者的临床医生诊断、心理测试完成时间、方向感、记忆力、独立性以及特定生活方式这6种常规病理报告，就可达到91%的准确率，AUC达0.89，突破了AI模型用于AD临床诊断的局限性，并将误诊率降低84%。
奇点糕不禁感叹一下，人类的技术提升+整活能力，使得人工智能在生活中的应用越来越广。人类学习知识、提高自身认知水平创造AI，再让AI通过机器学习来预测人类认知功能的退化，妙啊~
参考文献：
[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 | 张艾迪