人工智能破解柏金遜 IBM與米高霍士合作突破

著名影星米高霍士（Michael J. Fox）不到40歲患有柏金遜症。自此投入大量精力，幫助柏金遜症病人，爭取更多資源投入研究。

**醫療科技**

柏金遜症的成因不明，乃不會傳染的長期病症 ，不過無法完全根癒，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研究院宣佈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終於公佈首階段進展，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，須能正確瞭解病症的臨床狀態，以及相應進展，臨床醫生可從各種病徵，定量測量病情所處於發展階段，對症下藥。

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。

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，以凖確預測柏金遜病情。

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公佈，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佈。

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。