全世界将近5000万人患有阿尔茨海默氏病或​​其他形式的痴呆症。尽管年龄是发展该病的最大风险因素，但研究人员认为，大多数阿尔茨海默氏症的发生是由于基因与其他因素之间复杂的相互作用。但是，这些因素及其发挥的作用尚不清楚。

在一项新研究中，USC研究人员使用机器学习来识别潜在的基于血液的阿尔茨海默氏病标记物，这些标记物可有助于早期诊断并导致采用非侵入性方式跟踪患者疾病的进展。该方法由USC信息科学研究所(ISI)的高级研究负责人USC计算机科学研究助理教授Greg Ver Steeg开发。机器学习是人工智能(AI)的子集，它使计算机无需进行显式编程即可学习。

“这种类型的分析是一种发现数据模式以识别疾病的关键诊断标记的新颖方法。” -Paul Thompson。

“这种类型的分析是发现数据模式以识别疾病关键诊断标志物的一种新颖方法，” USC马克和玛丽·史蒂文斯神经影像与信息学研究所副主任，凯克医学院的教授Paul Thompson说。南加州大学医学。“在一个非常庞大的健康指标数据库中，它帮助我们发现了没有人怀疑的阿尔茨海默氏病的预测特征。”

这项研究“在衰老的大脑中发现健康的生物学相干外围特征和患阿尔茨海默氏病的风险”，出现在11月28日，衰老神经科学前沿。研究作者来自USC Mark和Mary Stevens神经影像与信息学研究所以及USC信息科学研究所。

鉴定生物标志物

尽管迄今为止，大多数阿尔茨海默氏症的研究都集中在已知的假设上，例如大脑中淀粉样蛋白斑块和tau蛋白的积累，但事实证明，这两种方法都很难在血液中进行测量。

因此，诊断测试主要基于内存。不幸的是，当一个人开始表现出记忆力减退的迹象时，他们可能已经患有这种疾病已有数十年了。尽早发现疾病，甚至在症状出现之前，是通过改善生活质量的药物和生活方式改变来控制疾病的关键步骤。

结果，南加州大学的神经科学家想知道阿尔茨海默氏症是否还有其他“隐藏”指标，这些指标可以通过常规血液检查发现。但是，当您不知道要寻找的东西时如何找到东西?

因此，他们将注意力转向了机器学习，并招募了专门研究复杂数据的USC计算机科学家兼物理学家Greg Ver Steeg。

在2013年，Ver Steeg开发了一种先进的机器学习方法，称为“相关说明(CorEx)”，该方法可以在经常被大量数据(包括神经科学，心理学和金融学)淹没的区域中找出模式。同年，当加州理工学院的计算生物学家雪莉·佩普克(Shirley Pepke)使用该算法研究自己的癌症时，该方法成为了新闻。

在这项特殊的研究中，科学家的目标是使用相同的算法来发现可能与阿尔茨海默氏病相关的医学数据中的隐藏因素或相关因素簇。

Ver Steeg说：“可能没有一个单一的预测器可以预测您是否会出现认知能力下降，是否已经开始，或者它将有多严重。”“但是也许有一些指标集合会更好。我们正在研究的问题是，是否可以使用该算法找到比单独测量的因素更好地预测阿尔茨海默氏症的特征组。”