全球大约有5000万人患阿尔兹海默病或其它形式的痴呆症，年龄是患该病的最大风险因素，研究人员认为，大部分阿尔兹海默病的患病原因都是基因和其它因素之间发生复杂相互作用所引起的，但他们并不清楚这些因素及其在患病中所扮演的关键角色。

来自南加州大学的科学家们就利用机器学习（machine learning）的技术鉴别出了指示阿尔兹海默病的潜在血液标志物，其或能帮助研究人员对该病进行早期诊断，并开发出无创手段来追踪患者疾病的进展状况；机器学习是人工智能（AI）技术的一个子集，即赋予电脑特殊能力，在不进行确切编程的情况下来进行学习。

研究者Paul Thompson说道，这种类型的分析是一种新方法，其能发现特殊的数据模式从而识别出阿尔兹海默病诊断标志物，在一个非常大的健康测量数据库中，该技术能帮助发现阿尔兹海默病的预测性特征；相关研究结果发表于Frontiers in Aging Neuroscience杂志上。

如何鉴别特殊的生物标志物

迄今为止，绝大多数阿尔兹海默病领域的相关研究都重点关注研究者提出的一些假设，比如大脑中淀粉样斑块和tau蛋白的积累，事实证明，测量这两种指标的技术在血液中都难以进行测定。因此，诊断测试在很大程度上基于患者的记忆，但不幸的是，当一个人开始表现出失忆迹象时，其可能患这种病已经几十年了。在患者出现症状之前发现疾病，是通过药物和生活方式改变来改变患者生活质量最为关键的一步。

图片来源：commons.wikimedia.org

本文研究中，研究人员想知道是否还存在一些阿尔兹海默病的隐藏指标，即通过常规血液检测无法发现的因素，但当我们不知道在寻找什么时又如何找到这些指标呢？随后研究者将注意力转移到机器学习技术上；2013年，研究者Greg Ver Steeg开发了一种名为Correlation Explanation（CorEx，关联性解释）的先进机器学习技术，其能有效梳理出被大量数据所淹没的区域模式，包括神经科学、心理学和财务等，同一年，计算生物学家Shirley Pepke也用这种算法研究了自身的癌症。

在这项研究中，研究人员的目的就是利用相同的算法来揭示与阿尔兹海默病相关的隐藏因子或关联性因子簇。Ver Steeg说道，目前并没有单一的预测因素来帮助预测一个人是否有认知能力下降的趋势，但或许一系列指标的集合或许就是最好的信号，我们的研究问题在于是否能用这种算法找到一组特征，而相比任何单独测量的因素而言，这种特征都能够更好地进行阿尔兹海默病的预测。

关系集群

研究者对来自阿尔茨海默氏症神经影像计划数据库中的829名老年人进行研究，对手机的医学记录信息进行分析来识别在过去一年里这些个体认知功能下降和大脑萎缩的指标；参与者被分为三种不同的诊断类群：认知正常组、轻度认知损伤组和阿尔兹海默病组；这些研究数据包括从脑成像、遗传学、血浆和人口统计学信息中收集的400多个生物标志物。