阿茲海默症是老年失智症的一種，目前尚無一套簡單的早期診斷方法。醫生診斷失智症時必須綜合考慮病史、家人或醫護人員的報告，從病人日常表現來診斷。雖然腦部掃描有助於診斷，但目前單靠腦影像也不見得能確診。
無論是行為或腦影像，阿茲海默症初期徵兆往往不明顯，這時人工智慧就能派上用場。機器學習能找出易被忽略的行為模式及腦部細微變化，甚至還能用來預測病程及嚴重程度，協助調整治療與照護方式。
追蹤病患活動，從大量數據中找出阿茲海默症徵兆
美國麻省理工學院（MIT）電腦科學與人工智慧實驗室Dina Katabi團隊，開發了監測阿茲海默症早期症狀的動態追蹤裝置，與哈佛醫學院老人精神科醫師Ipsit Vahia合作，正在麻州的長照養護機構中進行小規模實驗。
該設備是裝在牆面的扁平白色方盒，使用低功率無線電波，能反射半徑9公尺內所有物體。任何微小動態，甚至呼吸，都會引起反射訊號變化，藉此可記錄人每天的一舉一動。所有訊號皆上傳雲端，再用機器學習，從大量數據中找出規律，辨識病人的步伐、位置、呼吸模式、睡眠狀況等。
收集大量的行為數據，能幫助研究人員追蹤及瞭解病人早期徵兆，例如躁動、憂鬱、睡眠中斷、重複特定行為等等，都是阿茲海默症的徵兆。
參與研究的人，有已確診的阿茲海默症患者，也有未得到診斷的老人。研究人員認為，人工智慧有辦法從行為數據中學習，找出細微的差異及變化，並辨識出風險高的患者。製藥公司也對該技術很感興趣，因為人工智慧將可能用來協助追蹤、判斷實驗藥物是否確能改善病人症狀。
利用機器學習辨識大腦細微變化
人工智慧還能用來協助醫生發現大腦中阿茲海默症的早期跡象。
加拿大麥吉爾大學（McGill University）神經科學家Pedro Rosa-Neto表示，即使是放射影像科醫師，也難以從腦影像中判斷病人是否會患上阿茲海默症。不過，人工智慧或許辦得到。
Rosa-Neto與Sulantha Mathotaarachchi利用演算法，分析上百張正子斷層掃描（PET），這些腦影像是來自有阿茲海默症風險的人。透過病歷記錄，研究人員知道哪些病人掃描後兩年內產生了失智症狀，並以此訓練演算法，看看AI是否能從腦影像模式中，學會辨識及預測阿茲海默症。結果顯示，演算法能從腦影像中區辨後來患阿茲海默症的病人，準確度可達84%。
義大利巴里大學（University of Bari）Nicola Amoroso與Sabina Tangaro的研究團隊也運用機器學習方法，據稱可在阿茲海默症狀出現10年之前，就能發現大腦中細微的結構變化。
巴里大學團隊運用核磁共振掃描（MRI），讓人工智慧分析不同腦區之間的連接，區辨阿茲海默症患者及健康對照組的腦影像。訓練完成後，用148名受試者的大腦掃描測試演算法，其中有些患有阿茲海默症，也有部分是輕微認知障礙幾年後演變為阿茲海默症。結果顯示，人工智慧診斷阿茲海默症的正確率可達86%。更重要的是，檢測輕度認知障礙的正確率也有84%，使得這套方法有潛力成為早期診斷的有效工具。此外，這套方法比起腦脊髓液抽取檢查或使用放射性顯影劑的腦造影，更不具侵入性，也較為簡單便宜。
機器學習從腦影像預測病情惡化速度
機器學習也能幫助醫師預測病情嚴重程度。由於阿茲海默症患者的症狀可能各不相同，惡化速度也不一，醫生很難確知病情是否會在一段時間內保持穩定。
美國杜克大學（Duke University）醫師及研究員P. Murali Doraiswamy與克羅埃西亞Rudjer Boskovic研究所人工智慧專家Dragan Gamberger合作，用機器學習對562名患者、5年期間的腦影像、腦脊髓液與醫療記錄進行分類，希望這套系統能區辨腦組織隨時間的變化情形，預測病情快速惡化的可能性。目前這套方法已大致能將病程快速及緩慢的病人進行分群。
人工智慧可能改進藥物臨床試驗
自2002年至2012年，99%的阿茲海默症藥物臨床試驗都宣告失敗。原因之一是這項疾病的成因不明。而另一原因則是不易判斷特定藥物可能對哪些類型的患者有幫助。
如果能把基因、特徵、腦影像相似的病人分群，找出合適的病人，就會使藥物測試變得更順利。就此方面而言，人工智慧技術能提供協助，幫助設計更好的藥物試驗，加速招募病人進行藥物研究的過程，也能幫助判斷病情的延緩是藥物的效果，或是病人本身個體差異。
美國國家老化研究院（National Institute on Aging）負責帶領阿茲海默症研究的Marilyn Miller認為，預計5年後，人工智慧即可用於診斷及預測阿茲海默症。不過目前的方法都仍需更大量的數據，才能使人工智慧演算法診斷更加準確可靠。
