酷应用

攻克帕金森有新突破！IBM最新研究，仅凭摆臂和步态，AI就可追踪病变发展

百家作者：大数据文摘 2020-08-22 12:25:31

大数据文摘出品

来源：VB

编译：王绍宇、夏雅薇

IBM表示，通过分析运动能力随运动障碍增加而估计帕金森症状严重程度的方法，已经取得了进展。

在《自然科学报告》（Nature Scientific Reports）上发表的一篇论文中，来自IBM研究机构，辉瑞公司（Pfizer），斯皮瓦克（Spivack）临床与转化神经科学中心和塔夫茨（Tufts）实验室的科学家们，共同生成了患者运动的统计情况，无论是在临床上还是在其他更自然的环境，比如患者的家中，都可以使用AI对这一统计进行评估。

在2020年医疗保健机器学习会议（MLHC）上，IBM和迈克尔·福克斯基金会（Michael J. Fox Foundation）打算详细说明疾病发展模型，讲述如何精确的判断一个帕金森氏症病人的病程进展。

人机系统依靠一系列离散运动，例如步行，跑步或慢跑时手臂的摆动来执行任务。这些不同的肢体运动和其衔接动作共同构成了活动模式，可以用作对帕金森氏症的症状的测量和分析，仅今年一年，帕金森氏症就预计将影响全美近100万人。从帕金森氏症患者身上获得的身体测量结果与非患者身上的测量结果是不同的，并且这些偏差的增长标志着疾病随着时间的推移而发展。

利用这一点，在《自然科学报告》的研究中，合著者开发了一种无监督的AI技术，该技术可以生成运动质量的度量值。

他们将来自患者穿戴衣物中的连续信号转换为健康受试者中常见的一系列“音节”，并使其成为需要学习的运动曲目的一部分，在不同的动作之间共享子序列。音节之间转换的统计分布是健康行为的标志，结果显示在帕金森病患者中观察到的是杂乱无章的符号序列。

步行过程中手臂的摆动可以转换为在腕部记录的一系列离散运动。

研究人员的技术能够通过捕获运动之间逐渐混乱的衔接动作来估计帕金森氏症的步态障碍和严重程度。在一系列的实验过程中，这一技术将被应用于以前研究中收集的数据，数据包括以下人群：（1）接受了标准神经系统检查后被诊断为帕金森氏病的患者；（2）接受了相同检查但显示健康的参与者；以及（3）在家行为尚且不受限制的帕金森氏症患者。

事实证明，无监督方法非常高效，仅仅需要少于10分钟的活动数据即能创建稳定的估算值。但也许更重要的是，研究人员判断，如果将这一技术投入到生产中，将可以对一个人的神经系统状态进行24/7（全天）的评估，并可以对临床环境和在家中的评估进行对比。与此形成鲜明对比的是，现有的帕金森氏症诊断（例如运动失调协会的统一帕金森氏病评定量表）通常仅会在一年内进行几次测量，本质上是主观的，并且很大程度上依赖于患者的自我报告。

“人们对远程医疗的关注持续上升，尤其是对受COVID-19影响，隔离在家、自身较为脆弱的患者对关注逐渐提升，我们的研究表明了神经病学家如何能够准确地远程评估帕金森氏症患者的情况。”IBM的研究人员Vittorio Caggiano和工程师Avner Abrami在博客文章中描述了这项研究，称 “这种情况的另一个好处是，远程医疗检查的执行频率要比要求患者去医生诊所的频率更高”。

IBM的《自然科学报告》论文是该公司与辉瑞（Pfizer）开展的Bluesky项目的一部分，该项目于2016年启动，其目标是开发一种系统来改善针对正在研究中的用于治疗帕金森症的药物所进行的临床试验。IBM的作用是开发算法，使系统能够对从研究参与者那里收集的数据进行分析。

在一项基于MLHC所进行的补充研究，IBM和Michael J. Fox基金会的研究人员建立了一系列算法，这些算法考虑到了可能掩盖帕金森表象氏症的因素，例如可以减轻震颤和改善自我控制的药物。IBM在即将发表的博客文章中指出，由于尚未完全理解帕金森氏症的基本生物学原理，因此通常仅凭外在症状，医生很难了解疾病的进展程度。

研究人员的方法的概率框架被称为隐藏的马尔可夫模型（hidden Markov model），使用变分推理来学习个性化效果。学习完模型后，可以通过解释模型变量以了解更多有关疾病的知识，以及通过分析特定人群的预测来获得判断。

尽管这项工作的初衷是研究帕金森氏症，但研究人员希望它能激发对其他疾病如糖尿病，阿尔茨海默氏病和肌萎缩性侧索硬化症（ALS）的类似探索。在未来的工作中，他们计划将模型应用于帕金森氏症候群计划（Michael J Fox Foundation正在进行的观察性帕金森氏研究）中的数据，专注于对研究结果的研究。

IBM与迈克尔·福克斯基金会（Michael J. Fox Foundation）于2019年首次开始合作，对帕金森氏症进行研究，目的是试图更好地了解帕金森氏症及其治疗途径。这些组织已经发布了有关AI实验的研究，以分析那些可能会用于区分帕金森病患者与健康人的语言理解变化，并致力于建立可以长期检测和分析患者言语波动的机器学习算法。IBM还开发了一种指甲传感器，该原型旨在借助AI来跟踪，监视和诊断和运动神经衰退相关的疾病。

IBM在其一篇即将发表的博客中写道：“尽管已经在慢性病管理方面取得了许多进展，但该领域仍然存在许多待探讨的问题。通过更好地设计临床试验，我们将更好地了解慢性病，改善患者护理，并且更快，更有效地开发药物。”