退行性神經疾病，例如阿爾茲海默症（Alzheimer Disease， AD），是長期困擾人們的健康問題，尤其是給年長患者與他人的生活帶來了巨大的不便。而阿爾茲海默症（下稱AD）的確診由多個部分組成，包括侵入性腦脊液（cerebrospinal fluid， CSF）分析，昂貴的神經影像技術以及神經心理學評估。在AD早期，這些診斷措施並沒有很高準確率，同時過高的花費也為早期診斷帶來了諸多不便，降低了早期篩查的可能性。

2016年，普利茅斯一課題組利用阿爾茨海默氏病神經影像學倡議（Alzheimer‘s disease Neuroimaging Initiative， ADNI）資料庫篩選出最適合的血液生物標誌物共計6種，以便早期篩查裝置的設計者選用其中之一或多個作為目標檢測物（組）。

亮點

該組從庫中選取了106位AD病人樣本，同時選取了51人作為對照。將他們的資料從ADNI庫中提取出後，放入到神經網路模型中進行訓練，以期模型可以區分AD患者與對照組。根據AUC（Area Under Curve）來測量每種可區分AD患者和對照物件的生物標誌物的診斷價值。AUC不小於0。6的候選生物標誌物被視為有效的候選生物標誌物，將他們放入一個組。

該組選用了幾種基於機器學習的特徵選擇演算法用於搜尋AUC超過0。6的候選生物標誌物。經過該組的測試，樸素貝葉斯是他們測得準確度最高的演算法。確定了神經網路模型的演算法後，將資料集可以劃分為10個組放入模型，進行交叉驗證的有監督訓練。訓練模型的方法就是一般神經網路模型的訓練方法，不再贅述。準確率和特性性都達到75%的時候，最小的生物標誌物組被選用為最優組，具備作為AD早期篩查的生物標誌物組的潛力。

共計有63個生物標誌物的AUC大於0。6，從中選取出的生物標誌物6種如下：

由A1Micro，A2Macro，AAT，ApoE，C3和PPP組成的6種生物標記物在以受試者的年齡作為協變數時，能夠對AD和對照受試者進行分類，準確率性為85。4％，特異性為78。6％。該組生物標誌物有足夠高的效能，可用於設計AD早期篩查工具的PoCT工具。

侷限與思考

從表格中可以看出，A1MG、A2MG均以mg/L為單位，AAT以U/L為單位，ApoE、C3以g/L為單位，PPP以ng/L為單位。單位的混雜導致在一塊晶片上整合並進行檢驗並不容易實現。若需要過多的操作，則又違背了sample in，result out的初衷。若想以低廉的成本實現POCT的AD早期篩查，還需要好的物理設計與生物實驗設計並舉。

本文透過近些年嶄露頭角的機器學習演算法揭示了對診斷AD可能有幫助的生物標誌物組，但是諸如神經影像、神經心理學評估這類傳統金標準的測試維度並未包含在內。換言之，在樣本數為100-200的資料組中，實驗結果並不一定具有廣泛的代表意義。具體情況仍待進一步探明。

AD的症狀

引用

Jammeh E， Zhao P， Carroll C， Pearson S， Ifeachor E。 Identification of blood biomarkers for use in point of care diagnosis tool for Alzheimer’s disease。 Annu Int Conf IEEE Eng Med Biol Soc。 2016 Aug；2016：2415-2418。 doi： 10。1109/EMBC。2016。7591217。 PMID： 28268812。