【醫學辦案室】明星美式足球球員之死，與他們腦內的震盪效應

本文與 研華科技 合作，泛科學企劃執行。

每次 NVIDIA 執行長黃仁勳公開發言，總能牽動整個 AI 產業的神經。然而，我們不妨設想一個更深層的問題——如今的 AI 幾乎都倚賴網路連線，那如果哪天「網路斷了」，會發生什麼事？

想像你正在自駕車打個盹，系統突然警示：「網路連線中斷」，車輛開始偏離路線，而前方竟是萬丈深谷。又或者家庭機器人被駭，開始暴走跳舞，甚至舉起刀具向你走來。

這會是黃仁勳期待的未來嗎？當然不是！也因為如此，「邊緣 AI」成為業界關注重點。不靠雲端，AI 就能在現場即時反應，不只更安全、低延遲，還能讓數據當場變現，不再淪為沉沒成本。

什麼是邊緣 AI ？

邊緣 AI，乍聽之下，好像是「孤單站在角落的人工智慧」，但事實上，它正是我們身邊最可靠、最即時的親密數位夥伴呀。

當前，像是企業、醫院、學校內部的伺服器，個人電腦，甚至手機等裝置，都可以成為「邊緣節點」。當數據在這些邊緣節點進行運算，稱為邊緣運算；而在邊緣節點上運行 AI ，就被稱為邊緣 AI。簡單來說，就是將原本集中在遠端資料中心的運算能力，「搬家」到更靠近數據源頭的地方。

那麼，為什麼需要這樣做？資料放在雲端，集中管理不是更方便嗎？對，就是不好。

第一個不好是物理限制：「延遲」。
即使光速已經非常快，數據從你家旁邊的路口傳到幾千公里外的雲端機房，再把分析結果傳回來，中間還要經過各種網路節點轉來轉去…這樣一來一回，就算只是幾十毫秒的延遲，對於需要「即刻反應」的 AI 應用，比如說工廠裡要精密控制的機械手臂、或者自駕車要判斷路況時，每一毫秒都攸關安全與精度，這點延遲都是無法接受的！這是物理距離與網路架構先天上的限制，無法繞過去。

第二個挑戰，是資訊科學跟工程上的考量：「頻寬」與「成本」。
你可以想像網路頻寬就像水管的粗細。隨著高解析影像與感測器數據不斷來回傳送，湧入的資料數據量就像超級大的水流，一下子就把水管塞爆！要避免流量爆炸，你就要一直擴充水管，也就是擴增頻寬，然而這樣的基礎建設成本是很驚人的。如果能在邊緣就先處理，把重要資訊「濃縮」過後再傳回雲端，是不是就能減輕頻寬負擔，也能節省大量費用呢？

第三個挑戰：系統「可靠性」與「韌性」。
如果所有運算都仰賴遠端的雲端時，一旦網路不穩、甚至斷線，那怎麼辦？很多關鍵應用，像是公共安全監控或是重要設備的預警系統，可不能這樣「看天吃飯」啊！邊緣處理讓系統更獨立，就算暫時斷線，本地的 AI 還是能繼續運作與即時反應，這在工程上是非常重要的考量。

所以你看，邊緣運算不是科學家們沒事找事做，它是順應數據特性和實際應用需求，一個非常合理的科學與工程上的最佳化選擇，是我們想要抓住即時數據價值，非走不可的一條路！

邊緣 AI 的實戰魅力：從工廠到倉儲，再到你的工作桌

知道要把 AI 算力搬到邊緣了，接下來的問題就是─邊緣 AI 究竟強在哪裡呢？它強就強在能夠做到「深度感知（Deep Perception）」！

所謂深度感知，並非僅僅是對數據進行簡單的加加減減，而是透過如深度神經網路這類複雜的 AI 模型，從原始數據裡面，去「理解」出更高層次、更具意義的資訊。

以研華科技為例，旗下已有多項邊緣 AI 的實戰應用。以工業瑕疵檢測為例，利用物件偵測模型，快速將工業產品中的瑕疵挑出來，而且由於 AI 模型可以使用同一套參數去檢測，因此品管上能達到一致性，減少人為疏漏。尤其在高產能工廠中，檢測速度必須快、狠、準。研華這套 AI 系統每分鐘最高可處理 8,000 件產品，替工廠節省大量人力，同時確保品質穩定。這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。

此外，在智慧倉儲場域，研華與威剛合作，研華與威剛聯手合作，在 MIC-732AO 伺服器上搭載輝達的 Nova Orin 開發平台，打造倉儲系統的 AMR（Autonomous Mobile Robot） 自走車。這跟過去在倉儲系統中使用的自動導引車 AGV 技術不一樣，AMR 不需要事先規劃好路線，靠著感測器偵測，就能輕鬆避開障礙物，識別路線，並且將貨物載到指定地點存放。

當然，還有語言模型的應用。例如結合檢索增強生成 ( RAG ) 跟上下文學習 ( in-context learning )，除了可以做備忘錄跟排程規劃以外，還能將實務上碰到的問題記錄下來，等到之後碰到類似的問題時，就能詢問 AI 並得到解答。

你或許會問，那為什麼不直接使用 ChatGPT 就好了？其實，對許多企業來說，內部資料往往具有高度機密性與商業價值，有些場域甚至連手機都禁止員工帶入，自然無法將資料上傳雲端。對於重視資安，又希望運用 AI 提升效率的企業與工廠而言，自行部署大型語言模型（self-hosted LLM）才是理想選擇。而這樣的應用，並不需要龐大的設備。研華的 SKY-602E3 塔式 GPU 伺服器，體積僅如後背包大小，卻能輕鬆支援語言模型的運作，實現高效又安全的 AI 解決方案。

但問題也接著浮現：要在這麼小的設備上跑大型 AI 模型，會不會太吃資源？這正是目前 AI 領域最前沿、最火熱的研究方向之一：如何幫 AI 模型進行「科學瘦身」，又不減智慧。接下來，我們就來看看科學家是怎麼幫 AI 減重的。

語言模型瘦身術之一：量化（Quantization）—用更精簡的數位方式來表示知識

當硬體資源有限，大模型卻越來越龐大，「幫模型減肥」就成了邊緣 AI 的重要課題。這其實跟圖片壓縮有點像：有些畫面細節我們肉眼根本看不出來，刪掉也不影響整體感覺，卻能大幅減少檔案大小。

模型量化的原理也是如此，只不過對象是模型裡面的參數。這些參數原先通常都是以「浮點數」表示，什麼是浮點數？其實就是你我都熟知的小數。舉例來說，圓周率是個無窮不循環小數，唸下去就會是3.141592653…但實際運算時，我們常常用 3.14 或甚至直接用 3，也能得到夠用的結果。降低模型參數中浮點數的精度就是這個意思！ 

然而，量化並不是那麼容易的事情。而且實際上，降低精度多少還是會影響到模型表現的。因此在設計時，工程師會精密調整，確保效能在可接受範圍內，達成「瘦身不減智」的目標。

模型剪枝（Model Pruning）—基於重要性的結構精簡

建立一個 AI 模型，其實就是在搭建一整套類神經網路系統，並訓練類神經元中彼此關聯的參數。然而，在這麼多參數中，總會有一些參數明明佔了一個位置，卻對整體模型沒有貢獻。既然如此，不如果斷將這些「冗餘」移除。

這就像種植作物的時候，總會雜草叢生，但這些雜草並不是我們想要的作物，這時候我們就會動手清理雜草。在語言模型中也會有這樣的雜草存在，而動手去清理這些不需要的連結參數或神經元的技術，就稱為 AI 模型的模型剪枝（Model Pruning）。

模型剪枝的效果，大概能把100變成70這樣的程度，說多也不是太多。雖然這樣的縮減對於提升效率已具幫助，但若我們要的是一個更小幾個數量級的模型，僅靠剪枝仍不足以應對。最後還是需要從源頭著手，採取更治本的方法：一開始就打造一個很小的模型，並讓它去學習大模型的知識。這項技術被稱為「知識蒸餾」，是目前 AI 模型壓縮領域中最具潛力的方法之一。

知識蒸餾（Knowledge Distillation）—讓小模型學習大師的「精髓」

想像一下，一位經驗豐富、見多識廣的老師傅，就是那個龐大而強悍的 AI 模型。現在，他要培養一位年輕學徒—小型 AI 模型。與其只是告訴小型模型正確答案，老師傅 (大模型) 會更直接傳授他做判斷時的「思考過程」跟「眉角」，例如「為什麼我會這樣想？」、「其他選項的可能性有多少？」。這樣一來，小小的學徒模型，用它有限的「腦容量」，也能學到老師傅的「智慧精髓」，表現就能大幅提升！這是一種很高級的訓練技巧，跟遷移學習有關。

舉個例子，當大型語言模型在收到「晚餐：鳳梨」這組輸入時，它下一個會接的詞語跟機率分別為「炒飯：50%，蝦球：30%，披薩：15%，汁：5%」。在知識蒸餾的過程中，它可以把這套機率表一起教給小語言模型，讓小語言模型不必透過自己訓練，也能輕鬆得到這個推理過程。如今，許多高效的小型語言模型正是透過這項技術訓練而成，讓我們得以在資源有限的邊緣設備上，也能部署愈來愈強大的小模型 AI。

但是！即使模型經過了這些科學方法的優化，變得比較「苗條」了，要真正在邊緣環境中處理如潮水般湧現的資料，並且高速、即時、穩定地運作，仍然需要一個夠強的「引擎」來驅動它們。也就是說，要把這些經過科學千錘百鍊、但依然需要大量計算的 AI 模型，真正放到邊緣的現場去發揮作用，就需要一個強大的「硬體平台」來承載。

邊緣 AI 的強心臟：SKY-602E3 的三大關鍵

像研華的 SKY-602E3 塔式 GPU 伺服器，就是扮演「邊緣 AI 引擎」的關鍵角色！那麼，它到底厲害在哪？

一、核心算力
它最多可安裝 4 張雙寬度 GPU 顯示卡。為什麼 GPU 這麼重要？因為 GPU 的設計，天生就擅長做「平行計算」，這正好就是 AI 模型裡面那種海量數學運算最需要的！

你想想看，那麼多數據要同時處理，就像要請一大堆人同時算數學一樣，GPU 就是那個最有效率的工具人！而且，有多張 GPU，代表可以同時跑更多不同的 AI 任務，或者處理更大流量的數據。這是確保那些科學研究成果，在邊緣能真正「跑起來」、「跑得快」、而且「能同時做更多事」的物理基礎！

二、工程適應性——塔式設計。
邊緣環境通常不是那種恆溫恆濕的標準機房，有時是在工廠角落、辦公室一隅、或某個研究實驗室。這種塔式的機箱設計，體積相對緊湊，散熱空間也比較好（這對高功耗的 GPU 很重要！），部署起來比傳統機架式伺服器更有彈性。這就是把高性能計算，進行「工程化」，讓它能適應台灣多樣化的邊緣應用場景。

三、可靠性
SKY-602E3 用的是伺服器等級的主機板、ECC 糾錯記憶體、還有備援電源供應器等等。這些聽起來很硬的規格，背後代表的是嚴謹的工程可靠性設計。畢竟在邊緣現場，系統穩定壓倒一切！你總不希望 AI 分析跑到一半就掛掉吧？這些設計確保了部署在現場的 AI 系統，能夠長時間、穩定地運作，把實驗室裡的科學成果，可靠地轉化成實際的應用價值。

台灣製造 × 在地智慧：打造專屬的邊緣 AI 解決方案

研華科技攜手八維智能，能幫助企業或機構提供客製化的AI解決方案。他們的技術能力涵蓋了自然語言處理、電腦視覺、預測性大數據分析、全端軟體開發與部署，及AI軟硬體整合。

無論是大小型語言模型的微調、工業瑕疵檢測的模型訓練、大數據分析，還是其他 AI 相關的服務，都能交給研華與八維智能來協助完成。他們甚至提供 GPU 與伺服器的租借服務，讓企業在啟動 AI 專案前，大幅降低前期投入門檻，靈活又實用。

台灣有著獨特的產業結構，從精密製造、城市交通管理，到因應高齡化社會的智慧醫療與公共安全，都是邊緣 AI 的理想應用場域。更重要的是，這些情境中許多關鍵資訊都具有高度的「時效性」。像是產線上的一處異常、道路上的突發狀況、醫療設備的即刻警示，這些都需要分秒必爭的即時回應。

如果我們還需要將數據送上雲端分析、再等待回傳結果，往往已經錯失最佳反應時機。這也是為什麼邊緣 AI，不只是一項技術創新，更是一條把尖端 AI 科學落地、真正發揮產業生產力與社會價值的關鍵路徑。讓數據在生成的那一刻、在事件發生的現場，就能被有效的「理解」與「利用」，是將數據垃圾變成數據黃金的賢者之石！

👉 更多研華Edge AI解決方案
👉 立即申請Server租借

你身邊有人罹患失智症嗎？失智症和其他破壞身體的疾病很不一樣，它攻陷和摧毀心智，使我們最愛的人變成陌生人。其中，有六到七成的失智症患者都患有阿茲海默症，2023 年 5 月，對抗阿茲海默症的護腦基因研究出爐，有機會打破幾乎束手無策的現狀，催生出治病的新藥和新策略。而且，這是 6000 人、跨越 30 多年用他們的人生教給我們的一堂課。

為什麼整個世紀阿茲海默症都沒藥醫？

1906年德國一位醫師阿茲海默（Alois Alzheimer）發表一個病例，這名女性患者在生前接受治療的期間答非所問、時間感混亂，也不知道自己身在何處，這種導致大腦病變的疾病後來就稱為阿茲海默症（Alzheimer’s disease）。

這位病患過世後，阿茲海默醫師解剖她的大腦，發現腦部嚴重萎縮，而且腦組織的切片經過銀染色後，可以看到布滿許多斑塊，神經細胞也扭曲變形，這兩種腦部的變化到現在還是診斷阿茲海默症的重要依據。

後來的科學家接棒研究，檢驗出這些斑塊是由一類叫做類澱粉蛋白質（amyloids）的不可溶蛋白質所形成，這些蛋白質會沉澱在神經細胞外面，部分研究者猜想這些斑塊或許是導致神經細胞活性衰減或死亡的兇手。而這些異常蛋白質跟食物裡的澱粉沒有關係，只是因為染色以後看起來和澱粉染色類似，澱粉的拉丁語是 amylum，所以早期的科學家就把它叫做類澱粉蛋白質 amyloid，一直延用到今天。

神經細胞的扭曲變形則是因為神經細胞裡面冒出了大量的 Tau 蛋白質，這種蛋白質會在細胞內部聚集成雜亂糾結的纖維狀結構，也可能因此造成神經細胞沒辦法正常運作。

抓到大腦異狀的可疑元凶了，離找到解藥就不遠了吧？沒想到焦急的病患和家人們這一等，就等了快要 90 年。

第一個阿茲海默症的藥一直到 1993 年才推出，而且只能延緩心智瓦解的速度，沒辦法逆轉病程。1993 到 2003 年之間，一共有 5 種藥上市，其中 4 種的功效是提高神經傳導物質乙醯膽鹼的濃度，使神經訊號能順利傳送；另一種藥作用在神經細胞膜上的 NMDA 受體（N-methyl-D-aspartate receptor），這種受體分布在腦部多個區域，可以接收神經訊號，和認知學習有關。打個比方，這些藥都像是給瀕臨油盡燈枯的腦神經細胞打強心針，再盡可能多傳遞一些訊號，只能暫時減輕症狀，沒辦法解除病因。

目前全球失智症患者估計已經超過五千五百萬人，估計 2050 年時會膨脹到將近一億四千萬人；臺灣更是現在進行式，推估 80 歲以上每 5 個人就有 1 個人失智。一個影響如此之大的疾病，卻只有少得可憐的解方。綜觀整部醫療史，這種山窮水盡的情況其實很少見，其他的病再怎樣難纏，或多或少總可以想出一些辦法，就算是萬病之王癌症，人類還是不斷做出新藥、新療法，不會落到這種兩手一攤無計可施的地步。

2003 年以後又是一大段空白，到了 2021 年——距離發現阿茲海默症已經有 115 年之久——終於有新藥 Aducanumab 問世，它是第一種直接針對可能病因的藥物，鎖定的目標是清除類澱粉蛋白質。

爭議藥物強行通關，FDA委員憤而辭職

然而這款藥飽受爭議。大致來說，它最大的問題是雖然能減少類澱粉斑塊，但是只有部分受試患者的認知功能稍有改善。當時美國食品及藥物管理局（FDA）諮詢委員會的 11 名委員中 1 人棄權、10 個人投下反對票，可見得專家並不認同這款藥達到上市標準，但是 FDA 還是在病患人數多、有迫切醫療需求等等考量下強行核准過關。事後陸續有 3 名專家憤而辭職，掀起醫界不小的波瀾。

2023 年 1 月，第二種新藥 Lecanemab 推出，治療過程中可以把認知功能退化速度減少約四分之一；5 月上旬，第三種藥 Donanemab 公布第三期人體臨床試驗結果，減少認知退化速度約三分之一。兩種藥也都針對類澱粉斑塊，療效比第一種藥 Aducanumab 好了不少，但是使用上有限制，例如 Lecanemab 建議在疾病早期使用，效果可能比較好，然而很多阿茲海默症患者確診時已經是中晚期。兩種藥也有副作用，例如用藥後部分患者發生腦水腫或腦出血。

換句話說，現在寥寥無幾的藥都還有無法忽視的缺陷。找藥已經找到焦頭爛額的科學家，靈光一閃，另闢蹊徑從基因下手。而且，真的在陰霾中找到了一線亮光。

害腦基因 VS. 護腦基因，腦部小宇宙裡的戰爭

過去兩三個世代的科學家費盡心思，上山下海去搜索和阿茲海默症罹病風險相關的基因，他們決定直球對決：想辦法抑制或清除掉致病基因產生的壞東西，大腦自然就沒事了。

比如說，第一型早老素（PSEN1）、第二型早老素（PSEN2），以及 APOE 脂蛋白（Apolipoprotein E）基因等等。早老素顧名思義，被認為和腦神經功能衰退相關；APOE 則是和人體代謝膽固醇及三酸甘油酯有關，也會影響腦部類澱粉蛋白質的沉積過程。

有會傷害大腦的基因，那有沒有能保護大腦的基因呢？

但是也有科學家偏要和別人逆向，他們問的問題很簡單：既然有會毒害大腦的基因，那有沒有能保護大腦的基因呢？他們認為，只要弄清楚這些基因是用什麼方式為腦細胞穿上金鐘罩鐵布衫，人類就可以效仿了。

但是這種研究非常困難。原因是如果要找壞基因，可以藉由比對病人和健康人的 DNA，先勾勒出一個模糊的輪廓。就好像拿癌細胞和健康細胞來互相比較，可以挖到深埋在 DNA 裡的致癌基因。但是要找護腦基因，卻沒有對照組可以當成參考的基準點。也因為這個主要障礙，這類研究推進得相當龜速。

為什麼沒有對照組呢？因為最理想的受測者必須滿足三項條件。第一，他體內要攜帶能保護腦的基因，雖然科學家這時候還不知道這些基因是什麼；第二，他同時也帶有會傷害腦的基因；還有關鍵的第三點，那就是要可以觀察到護腦基因發功，壓過傷腦基因的破壞力道。

天啊，這也太困難了！不過科學家找到了理想的試驗對象，或許更精確的形容詞是，終於讓他們「等」到了。

尋找阿茲海默症致病基因——阿茲海默症家族

在南美洲哥倫比亞，有一個被早發型阿茲海默症魔咒纏身的大家族，人數約有 6 千人，其中許多人通常在 40 到 50 歲間就發病，遠比一般人早，病情惡化速度也更快。科學家追蹤這個家族 30 多年，鑑別出和腦部退化相關的多個遺傳因素。

2023 年 5 月，研究團隊在《Nature Medicine》發表成果，他們分析了大約一千兩百位帶有早發型致病基因的家族成員，從中找到一名特殊個案，這個男性首次接受認知功能測試的時候是 67 歲，已經超過發病年齡中位數 20 多年，但是卻只有輕度的認知障礙，沒有惡化成失智。

之後，科學家掃描這個人的大腦，發現腦部堆積大量的類澱粉斑塊，還有 Tau 蛋白質造成的神經細胞纖維糾結，簡單來說，他的大腦就像一個嚴重失智病人的腦。不過，其中有一塊名叫內嗅皮質（entorhinal cortex）的腦區，只有少少的 Tau 蛋白質。

內嗅皮質緊貼著掌管記憶形成過程的海馬迴（hippocampus），它的角色有點像海馬迴的守門人，能把遠處腦區傳來的電訊號接力送進海馬迴，先前已知內嗅皮質和記憶及空間定位能力有關。

2014 年諾貝爾生醫獎得主歐基輔和穆瑟夫婦，因為發現動物利用腦中一組排列成六角形網格狀的特殊細胞來記住地圖和認路，因而獲得殊榮，網格細胞就是位在內嗅皮質。阿茲海默症患者的內嗅皮質通常在疾病早期就遭到破壞，因此導致頻繁迷路、出得了門回不了家的症狀。或許我們該幫索隆檢查一下內嗅皮質？

研究團隊進一步分析這個男性的基因，發現他有一個稱為 RELN 的基因發生突變。RELN 基因已知和思覺失調症、躁鬱症等腦部變化有關聯，但科學家以往對這個基因和阿茲海默症的關聯了解得不多。

RELN 基因和阿茲海默症的關聯

為了瞭解這種突變會觸發什麼後續效果，研究者改造小鼠的基因，試驗結果發現，突變 RELN 基因轉譯出來的蛋白質，會促使 Tau 蛋白質發生化學修飾，降低了某些腦區裡 Tau 蛋白質聚集形成纖維糾結的能力。

這項研究其實是史上第二例基因突變大幅延緩早發型阿茲海默症病程的報告，第一例是同一個家族的一位女性，2019 年發表在《Nature Medicine》，她比同家族人晚了將近 30 年才發病，不過她發生突變的地方是在 APOE 基因，突變後 APOE 脂蛋白的致病力減弱，比較難以造成腦部病變。

阿茲海默的新假設與新挑戰

這兩份研究報告帶出了一個假設，以及一個挑戰。新的假設是，用人為方式加強 RELN 的護腦效果，或是削弱 APOE 的傷腦能力，對於開發新藥和新療法來說可能是更好的目標。

不過，持平來說，目前這類護腦基因突變僅僅發現兩例，還太少了，只能用試驗結果建立假說，也不能確定是不是適用於所有患者，必須累積更多調查和試驗數據才能判斷。

提出的新挑戰則是，現在 FDA 核准的藥物都是鎖定類澱粉蛋白質為目標，還有一大堆同類的藥正在燒鈔票試驗中，但是新研究對於類澱粉斑塊致病假說是一記強而有力的警鐘。或許 Tau 蛋白質的角色一直被誤解了，它才是真正的幕後黑手？又或許根本不需要保護整個腦，只要想辦法保住關鍵腦區或必要的神經元通道，就可以對抗阿茲海默症？這些問題都是接下來研究的重點。

腦真的是類澱粉蛋白質殺的？阿茲海默症研究風向轉變中

類澱粉蛋白質是主要致病元兇的說法在近幾年已經受到不少質疑。原因有好幾個，概略來說，主因是科學家陸陸續續看到一些當事人大腦裡有類澱粉斑塊沉積，但是心智沒有明顯受影響的案例；還有，長久以來全球許多研究團隊把類澱粉蛋白質當作開發藥物的目標，結果失敗率幾乎是 100％，也讓人對這個假說起疑。

就在 2022 年，阿茲海默症醫療史上一樁惡名昭彰的醜聞爆發，更把致病原因的爭議推上最高點。

事件導火線是一位神經科學家揭露 2006 年發表在《Nature》的一篇阿茲海默症經典論文涉嫌造假，這篇報告以及它後續的研究，提出某個類型的類澱粉蛋白質可能導致阿茲海默症的看法。2022 年 7 月《Science》刊出長篇報導，指出科學界調查認為有數百張論文圖片疑似有問題。

這把火最直接燒出來的問題是，會不會整整十六年來大家都被誤導了？白白浪費了大批科學家的時間，連帶燒掉幾千萬甚至幾億美元。這裡我們沒辦法再多講細節，如果你想更詳細瞭解這場「阿茲海默之亂」和後續影響，想知道研發阿茲海默藥物的百年崎嶇路和未來進程的更多新知，或是想跟上失智症的其他最新研究，歡迎加入我們的頻道會員來投票喔！

不過，這並不是說類澱粉斑塊假說就此被一竿子打翻，畢竟很多患者大腦有明確的斑塊沉積是事實，而且醜聞裡牽涉到的只是類澱粉蛋白質之中的特定類型；再加上 2023 年針對類澱粉斑塊的 Lecanemab 和 Donanemab 兩款新藥的確有療效，也是有力的佐證。

目前生物醫學界的看法，逐漸轉向認為阿茲海默症很可能不是單一種疾病，而是應該再切分出多種亞型，類澱粉蛋白質斑塊是部分患者的病因但不是全部。打個比方，就好像同樣是肺癌，按照基因差異和疾病進程不同，醫師和科學家可以把患者再分成多個小群，每一群都有相對更適合的療法。

舉例來說，前面說到的從阿茲海默症家族發現的傷腦和護腦基因，以及關鍵腦區有沒有受損，或許就有機會成為打開分型治療之門的幾把鑰匙。

如果這個多亞型的新觀點成立的話，那麼要怎麼樣為患者分型？有哪些生物標記可以用？每種亞型要怎麼治療？這些一連串問題勢必會變成接下來研究的重點，我們也可以想像得到，阿茲海默症的醫療即將出現百花齊放的局面，不過呢，這又是另一個故事了。如果你身邊有人也對這個議題好奇，歡迎分享給他，如果你就是阿茲海默症的患者跟照顧者，在此跟你說聲辛苦了。

歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識！