帕金森病是一种影响运动的神经退行性疾病，影响着全世界超过一千万人; 每年大约有60,000人被诊断出来。早期检测可以预防严重症状的发作，但说起来容易做起 - 没有特定的测试来诊断帕金森病。

不过，瑞士苏黎世机器人和智能系统研究所的研究人员取得了令人鼓舞的进展。在预印本服务Arxiv.org上发表的一篇论文(“ 从智能手机数据中学习诊断帕金森病 ”)中，他们描述了一个可以通过一系列基于智能手机的测试收集的数据来诊断帕金森病的人工智能系统。

他们的工作建立在约翰斯·霍普金斯大学和伦敦大学的先前研究基础之上，后者开发了一些应用程序--HopkinsPD 和 CloudUPDRS--用于监测全天帕金森症状的变化。

“[M]诊断[帕金森病]是常见的，”苏黎世研究人员写道。“导致误诊的一个因素是帕金森病的症状在进行临床评估时可能并不突出。”

他们采集了mPower临床试验期间收集的数据，这是一项基于智能手机的大规模帕金森病研究，有1,853名用户提供人口统计信息和帕金森病可能的先前专业诊断。它还要求他们完成一系列旨在测量运动，语音，手指灵活性和空间记忆障碍的测试。

一次行走测试让他们把手机放在口袋里，向前走，转过身，然后回过头去。语音评估要求他们在手机的麦克风中说“aaaah”。敲击测试让他们交替点击两个屏幕按钮，最后的测试 - 记忆测试 - 指示他们重复在网格上照亮的一系列图像。

在预处理之后，团队最终分别为每个记录提供了300,250,400和25个样本，用于步行，语音，点击和内存测试。

结果输入预测模型 - 特别是用于步行，语音和敲击测试的卷积神经网络和用于记忆测试的具有双向长短期记忆(BLSTM)的递归神经网络。随机森林模型反过来又提供了另一种算法 - “证据聚合模型”(EAM)，也是一种递归神经网络 - 产生了一个诊断分数。

为了给EAM的预测带来透明度，该团队设计了一个互补模型 - 一个“神经软关注机制” - 确定数据中哪些测试和测试段对于模型的输出最重要。

他们写道：“向临床医生提供有关模型输出基于哪些数据的信息，可以帮助确定诊断评分......并告知临床医生的进一步临床决策。” “例如，在诊断预测主要针对运动症状的患者中，诊断临床医生可以集中精力排除可能导致类似症状的其他运动障碍。”

最后，EAM的表现优于严格依赖人口统计信息诊断帕金森症的基线模型，AUC为0.85，是衡量整体测试表现的指标。(它有15%%的机会误诊这种疾病。)

这不是一个完美的模型。一些研究表明，训练数据包括帕金森病的专业诊断，众所周知，这种诊断充满了不准确性 - 多达25%%是不正确的。此外，由于它是在智能手机上收集的，其准确性可能会因随机运动，与帕金森病相似的神经系统疾病以及其他变异性而降低。

然而，研究人员认为它足够强大，可以在野外部署。

研究人员写道：“我们的结果证实，长期收集的智能手机数据可能在未来可能被用作诊断帕金森病的其他证据。

科技在提高人们社会活动质量的同时可能对部分科技使用者造成伤害。我们要正确认识网络的两面性，用其所长、避其所短，发挥网络对生活的积极促进作用。把科技作为生活的补充就可以享受科技的诸多益处，以上这篇文章希望可以给大家带来有用的信息。