试图确定某人是否患有阿尔茨海默病通常需要一系列的评估——面谈、脑成像、血液和脑脊液检查。但是，到那时，可能已经太晚了:记忆开始溜走，长期建立的人格特征开始微妙地发生变化。如果及早发现，新的开拓性治疗方法可以减缓这种疾病无情的进展，但目前还没有确定的方法来预测谁会患上与阿尔茨海默氏症相关的痴呆症。

现在，波士顿大学的研究人员表示，他们设计了一种很有前途的新型人工智能计算机程序或模型，有朝一日可以通过分析病人的语言来帮助改变这种状况。

他们的模型能够以78.5%的准确率预测患有轻度认知障碍的人在未来六年内是否可能保持稳定，或者陷入与阿尔茨海默病相关的痴呆。研究人员说，在允许临床医生窥视未来并做出早期诊断的同时，他们的工作还可以通过自动化部分过程，使认知障碍筛查更容易进行——不需要昂贵的实验室检查、成像检查，甚至不需要去办公室。该模型由机器学习驱动，机器学习是人工智能的一个子集，计算机科学家教程序独立分析数据。

“我们想要预测未来六年将会发生什么，我们发现我们可以合理地以相对较好的信心和准确性做出预测，”波士顿大学拉菲克·b·哈里里计算和计算科学与工程研究所所长约阿尼斯(扬尼斯)·帕斯查里迪斯说。“这显示了人工智能的力量。”这个由工程师、神经生物学家、计算机和数据科学家组成的多学科团队在阿尔茨海默病协会的期刊《阿尔茨海默病与痴呆症》上发表了他们的研究结果。

“我们希望，就像每个人都希望的那样，会有越来越多的阿尔茨海默氏症治疗方法可用，”帕斯卡里迪斯说，他是波士顿大学工程学院杰出的工程教授，也是计算与数据科学学院的创始成员。“如果你能预测会发生什么，你就有更多的机会和时间来进行药物干预，至少可以保持病情的稳定，防止过渡到更严重的痴呆症形式。”

计算阿尔茨海默病的概率

为了训练和建立他们的新模型，研究人员求助于美国历史最悠久、持续时间最长的研究之一——美国国立大学领导的弗雷明汉心脏研究。虽然弗雷明汉研究的重点是心血管健康，但表现出认知能力下降迹象的参与者会定期接受神经心理学测试和访谈，从而获得大量关于他们认知健康的纵向信息。

帕斯查里迪斯和他的同事们给了166位被诊断为轻度认知障碍的人最初的访谈录音，这些人的年龄在63岁到97岁之间，其中76人在接下来的六年里保持稳定，90人的认知功能会逐渐下降。然后，他们结合使用语音识别工具(类似于为智能扬声器提供动力的程序)和机器学习来训练一个模型，以发现语音、人口统计、诊断和疾病进展之间的联系。在对一部分研究对象进行训练后，他们在其余参与者身上测试了它的预测能力。

帕斯查里迪斯说:“我们将从录音中提取的信息与一些非常基本的人口统计数据(年龄、性别等)结合起来，得出最终的结果。”“你可以把分数看作是一个人保持稳定或过渡到痴呆症的可能性。它具有显著的预测能力。”

这个模型没有使用语音的声学特征，比如发音或语速，而是直接从面试的内容中提取——说的话，它们的结构。帕斯查里迪斯说，他们输入机器学习程序的信息是粗糙的:例如，录音是混乱的——低质量的，充满了背景噪音。“这是一个非常随意的录音，”他说。“尽管如此，有了这些肮脏的数据，这个模型还是能从中得出一些东西。”

这一点很重要，因为该项目在一定程度上是为了测试人工智能的能力，使痴呆症诊断过程更加高效和自动化，几乎不需要人工参与。研究人员说，在未来，像他们这样的模型可以用来为不在医疗中心附近的病人提供护理，或者通过与家庭应用程序的互动提供例行监测，从而大大增加接受筛查的人数。据国际阿尔茨海默病组织称，全世界大多数痴呆症患者从未得到正式诊断，使他们无法获得治疗和护理。

该论文的合著者罗达·奥(Rhoda Au)表示，人工智能有能力创造“机会均等的科学和医疗保健”。这项研究建立在同一个团队之前的工作基础上，他们发现人工智能可以通过录音准确地检测认知障碍。

“技术可以克服只有那些有资源的人才能完成的工作的偏见，或者依赖于不是每个人都能获得的专业知识的护理，”波士顿大学医学院解剖学和神经生物学教授Au说。对她来说，最令人兴奋的发现之一是“一种具有最大包容性潜力的认知评估方法——可能独立于年龄、性别/性别、教育、语言、文化、收入、地理位置——可以作为检测和监测阿尔茨海默病相关症状的潜在筛查工具。”

从家里诊断痴呆症

在未来的研究中，Paschalidis想要探索使用的数据不仅来自正式的临床-患者访谈-他们的问题和可预测的来回-而且来自更自然的日常对话。他已经开始研究人工智能是否可以通过智能手机应用程序帮助诊断痴呆症，并将目前的研究扩展到语音分析之外——弗雷明汉测试还包括病人的绘画和日常生活模式的数据——以提高模型的预测准确性。

“数字化是新鲜血液，”Au说。“你可以收集它，分析今天已知的东西，存储它，并重新分析明天出现的任何新东西。”