全球每年都会有上百万的人被阿尔茨海默症（老年痴呆症）所困扰。根据阿尔茨海默症协会的数据，阿尔茨海默症是美国致死率第六高的病症，因其而死亡的人数比乳腺癌和前列腺癌加起来还要多。其治疗费用还很昂贵，如果能够通过早期检查对其进行检测，能够省下差不多7．9亿美元的医疗费用。

Unlearn．AI是一家专门为临床研究设计软件工具的初创公司。该公司的研究员认为人工智能在个性化诊断和治疗中能够起到非常重要的作用。一篇发表在网站上的文章中，研究员提出了一个能够对疾病进行预测的系统，这个系统本质上能够预测每个病人在未来的每个阶段可能遇到的各类症状。

“两个拥有相同疾病的病人有时也会呈现出不同的症状、不同的病情发展以及不同的对于治疗产生的反应，”该研究团队写道，“了解如何预测以及管理病人之间的这些不同点才是精准医疗的首要目标。应用机器学习方法而开发出来的疾病发展监测计算机模型为我们提供了一个有效解决病人之间的异质性问题的工具。”

能够检测到认知能力下降的人工智能系统并不是没有前例。蒙特利尔麦吉尔大学的神经学家们就开发过一种PET扫描摄取算法。该算法能够以84％的准确率识别最终会患上痴呆症的病人。另外，杜克大学的科学家们以及克罗地亚的Rudjer Boskovic研究所也使用了机器学习法用来了解脑组织缺失随着时间而产生的变化。

但是Unlearn．AI的系统采用的是一种无人监管的学习方法，也就是说它使用的是没有进行过分类以及标记的数据。另外，它能够一次同时计算出一个病人的各种病状的预测以及置信区间。

整个系统的开发主要分为两部分。

首先，开发团队应用Boltzmann编码对抗式机器（BEAM）对临床数据进行了建模。BEAM是一种完美适配于将数据分类和特征进行建模的一种神经网络。他们在“抵御重大疾病协会”（CoaliTIon Against Major Diseases）的专门为阿尔兹海默症而设立的在线数据库（该数据库由18个月中收集到的涵盖了42个变量的1908名的阿尔兹海默症患者的数据组成）中将其进行了训练和测试。开发团队对患者进行的测量方法包括了老年痴呆量表－认知（ADAS－Cog，一种被广泛使用的认知子尺度）以及简短精神状态检查（Mini－Mental State ExaminaTIon，用于测量临床和研究环境中认知障碍的问卷）。

然后，该开发团队使用这个已成型的模型来生成“虚拟患者”及其相关的认知测试分数、实验室测试数据以及临床数据。他们为个体患者进行了模拟，以便在诸如单词回忆，定向和命名等方面预测其疾病进展，这些数据又能反过来用于测算老年痴呆量表－认知分数。

研究人员声称，该项无监管的模型可以对老年痴呆认知做到起码18个月的精确预测，另外他们认为该模型同样能够用来预测那些患有其它退行性疾病的患者的最终结果。

该研究团队写道：“我们在这里描述的对阿尔兹海默症的症状进展进行模拟的方法能够很好的扩展到其它疾病上去。对于临床数据的深度生成模型的广泛应用能够产生跟真实医学数据相比更少的隐私问题的合成数据集，或者能够用来进行模拟临床试验以优化研究设计。在某些特定的疾病领域中，使用模拟数据来预测特定个体的疾病风险的工具能够帮助医生为他们的病人去选择更为正确的治疗方法。”