星島日報

【創科廣場】人工智能破解柏金遜 IBM與米高霍士合作突破

2020-08-12 12:00
柏金遜症的成因不明,乃不會傳染的長期病症 ,不過無法完全根瘉,後期難以控制。醫學界一直研究治療手段。

現今柏金遜症治療,只幫助減輕徵狀;例如以物理治療、職業治療和心理輔導,或者可採用藥物控制。 此外也靠外科程序,包括腦深層電刺激治療。不同階段的柏金遜症,以不同手段控制。

著名影星米高霍士(Michael J. Fox),不到40歲就患上柏金遜症,深受折磿;自此投入大量精力,幫助柏金遜症病人,四出奔走,赴國會聽證,爭取撥出更多資源,投入柏金遜症研究。

2019年初,IBM研究院宣布與米高霍士基金會合作,以人工智能研究柏金遜症療程,尋求有效治療手段。

較早前,IBM終於公布首階段進展,可助治療人員預測病情的發展,研究配合的藥物手段,改進治療成效,成果令人鼓舞。

IBM利用時間序列建立預測病情的模型,建立模型作預測病情。時序模型在醫療研究,並不罕見;但研究的具體目標,須能正確了解病症的臨牀狀態,以及相應進展,臨牀醫生可從各種病徵,定量測量病情所處於發展階段,對症下藥。

按病情階段設計療程

柏金遜症的某一些徵狀;例如身體震顫無法控制,可能受藥物作用控制,而無法正確識別,醫生判斷病情發展,容易忽略而出錯。

不過,估計柏金遜症病情進展,對治療手段,卻甚為重要;醫生根據每階段病情,設計出切合個人療程,科學家也可徵召處於不同階段的病人,加入藥物試驗。

較早前,米高霍士基金會向IBM捐贈了有關柏金遜症個人數據,命名「柏金遜症病情標記計畫」,IBM通過機器學習,研究如何推斷病發階段的各種標記。

建立推理模型

IBM研究人員須學習如何病情進展之際,又要為不同藥物作用,建立推理模型。病人對藥物的反應,可能正是反映病症所處的階段,又或者只屬於個人藥物反應。以人工智能研究柏金遜症,正確分辨上述兩者,相當棘手。

最後,IBM 成功以「隱瑪律可夫模型」(Hidden Markov Model)統計學理論,建立起分析框架,加上推理學習,找出個人化藥物反應,以準確預測柏金遜病情。

IBM開發的模型,對於研究不同階段柏金遜症,意義深遠。日後對於開發柏金遜症藥物,延後病發,改善病人生活質素,均有重大影響。

IBM研究院研究員Kristen Severson公布,機器學習模型以及學習算法,稍後2020醫療機器學習大會上公布。

雖然機器學習以柏金遜症數據建立,亦有助研究其他長期病患;包括糖尿病、阿茲海默症(認知障礙)、肌萎縮性脊髓側索硬化症(Amyotrophic lateral sclerosis)等治療手段。

最新回應

關鍵字

熱門文章