帕金森病（PD）的增長速度比任何其他神經系統疾病都要快，這使得其早期檢測如此重要。研究人員已經開發出一種新的機器學習工具，顯示出作為早期檢測該疾病的一種方式的前景。PD的診斷通常發生在一個人出現傳統症狀的時候：運動緩慢、震顫、平衡和協調能力差以及肌肉僵硬。

但非典型症狀的出現，如疲勞、睡眠困難、膀胱或腸道問題、抑鬱和/或焦慮，以及嗅覺喪失，可能比傳統的PD症狀早很多年。一種可靠的生物標誌物測試方法，導致PD的早期診斷，而不是等待傳統症狀的出現，將意味著該疾病的治療可以提前開始。

現在，新南威爾士大學悉尼分校的研究人員與波士頓大學合作，利用機器學習的力量開發了一種工具，顯示出作為PD早期檢測器的前景。

機器學習被廣泛用於開發疾病預測的精確模型。而先進的機器學習方法，如神經網絡，是處理大量數據的一種方式。然而，為了有效，機器學習算法需要使用沒有”噪音”的數據進行教學。代謝組學，對代謝物的大規模研究，在這方面可能存在問題。

許多代謝物–當身體分解食物、藥物和化學品時產生的副產品–與其他代謝物相關，其中一些對疾病預測沒有重大貢獻。這就是為什麼研究人員開發了一個新的機器學習工具，即使用神經網絡生成的質譜知識的分類和排名分析或CRANK-MS。

“為了弄清楚哪些代謝物對疾病與對照組更有意義，研究人員通常會研究涉及特定分子的相關性，”該研究的主要作者J Diana Zhang說。”但在這裡，我們考慮到代謝物可能與其他代謝物有關聯–這就是機器學習發揮作用的地方。面對成百上千的代謝物，我們利用計算能力來了解發生了什麼。”

研究人員從西班牙歐洲癌症和營養前瞻性調查（EPIC）中獲得了代謝組數據，重點是39名已經發展成PD的患者，並通過CRANK-MS進行了分析。在將PD患者與健康患者進行比較後，研究人員能夠確定獨特的代謝組合，這些組合可能是該疾病的早期預警信號。

使用CRANK-MS的好處是，研究人員可以使用不含雜質的數據，這簡化了過程。

該研究的通訊作者William Donald說：”通常情況下，使用機器學習來檢查代謝物和疾病之間的相關性的研究人員首先減少化學特徵的數量，然後再將其輸入算法。但在這裡，我們把所有的信息都輸入了CRANK-MS，而沒有在一開始就進行任何數據縮減。由此，我們可以得到模型預測，並確定哪些代謝物對預測的影響最大，所有這些都在一個步驟中完成。這意味著，如果有一些代謝物可能在使用傳統方法時被遺漏，我們現在可以把它們找出來。”

雖然CRANK-MS能夠分析指示PD的代謝物，準確率高達96%，但研究人員明白，該研究的小樣本量意味著需要進一步研究。

研究人員說，在未來，CRANK-MS可以在出現不典型症狀的第一個跡象時使用，以確保早期診斷PD或排除它。而且機器學習算法是公開的，可供那些可能想使用它的研究人員使用。

Zhang說：”我們以這樣一種方式建立了這個模型，它適合於目的。應用CRANK-MS檢測帕金森病只是一個例子，說明人工智能可以改善我們診斷和監測疾病的方式。令人激動的是，CRANK-MS可以很容易地應用於其他疾病，以確定新的感興趣的生物標誌物。”

該研究發表在ACS中央科學雜誌上。