KI-Modelle verwenden die Verarbeitung von natürlicher Sprache, um das Risiko der Entwicklung von Alzheimer-Krankheit vorherzusagen

Ein Team von KI-Forschern von IBM und Pfizer (PFE ) hat KI-Algorithmen entwickelt, die potenziell Anzeichen von Alzheimer-Krankheit erkennen können, indem sie die Schreibweise von Menschen analysieren und sprachliche Muster finden.

Andere KI-Forscher haben Modelle entwickelt, die darauf abzielen, die Entwicklung von Alzheimer-Krankheit vorherzusagen, indem sie PET-Scans analysieren oder klinische Testdaten interpretieren. Diese Modelle wurden mit aktuellen Daten trainiert, aber das Modell, das von dem IBM-Pfizer-Team entwickelt wurde, wurde mit Daten aus der Framingham-Herz-Studie trainiert, die Daten von über 14.000 Menschen über drei Generationen und sechs Jahrzehnte umfasst. Die Langzeitnatur der Daten ist wichtig, da das KI-Modell, wenn es in der Lage ist, zuverlässig Muster innerhalb großer Populationen über lange Zeiträume hinweg zu erkennen, Forscher potenziell die Manifestation von Alzheimer-Krankheit Jahre im Voraus gegenüber aktuellen Diagnoseverfahren vorhersagen könnte. Darüber hinaus könnte es eine zuverlässige Diagnosemethode sein, die nicht die Verwendung von Scanning-Technologie oder invasiven Tests erfordert, was den Bereich von Szenarien, in denen es eingesetzt werden kann, erweitert.

Laut IBM-Vizepräsident für Gesundheitswesen und Lebenswissenschaften, Ajay Royyuru, können die von dem Forschungsteam entwickelten KI-Modelle als Werkzeug dienen, das medizinischen Fachleuten Hinweise auf die mögliche Entwicklung von Alzheimer-Krankheit gibt, bevor klinische Tests durchgeführt werden. Die Modelle können im Wesentlichen als Frühwarnsysteme dienen, die medizinische Fachleute auffordern, umfassendere Tests durchzuführen.

Um die KI-Modelle zu trainieren, verwendete das Forschungsteam Transkriptionen von handschriftlichen Antworten auf verschiedene Fragen. Teilnehmer der Framingham-Herz-Studie wurden gebeten, eine Beschreibung eines Bildes mit ihrer natürlichen Sprache zu geben. Die Antworten der Teilnehmer wurden digitalisiert und die Transkriptionen wurden den maschinellen Lernalgorithmen als Trainingsdaten zugeführt. Laut IBM konnten die Modelle bestimmte sprachliche Merkmale erkennen, die mit der Entwicklung neurodegenerativer Erkrankungen korreliert sind. Kliniker haben seit langem festgestellt, dass bestimmte Wiederholungen von Wörtern, Tippfehlern und eine Vorliebe für einfache Phrasen gegenüber komplexen Sätzen auf die Progression von Alzheimer-Krankheit hinweisen können, und die KI-Modelle haben diese Merkmale erkannt.

Laut den Ergebnissen der Studie erreichte das Hauptmodell eine Genauigkeit von etwa 70% bei der Vorhersage, welche Teilnehmer der ursprünglichen Studie bis zum Alter von 85 Jahren an Alzheimer-Krankheit erkranken würden. Die Modelle und damit die Ergebnisse wurden aus den historischen Daten innerhalb der ursprünglichen Studie abgeleitet. Sie haben keine zukünftigen Ereignisse vorhergesagt. Darüber hinaus wurde das KI-Modell auf die älteste Subgruppe der Framingham-Bevölkerung trainiert. Diese Bevölkerung bestand hauptsächlich aus nicht-hispanischen Weißen, und als Ergebnis gibt es Grenzen für die Verallgemeinerbarkeit der Ergebnisse für andere Ethnien und andere Bevölkerungsgruppen weltweit. Die Stichprobengröße für die Studie war ziemlich klein und bestand aus nur 40 Personen, die an Demenz erkrankt waren, und 40 Personen, die nicht erkrankt waren.

Trotz dieser Einschränkungen hat die Studie einen Wert als eine der ersten Studien, die große, realistische Daten über einen langen Zeitraum analysieren. Die Genauigkeit des Modells könnte potenziell erhöht werden, wenn bestimmte Merkmale, die in der Studie nicht berücksichtigt wurden, wie Handschrift, in zukünftigen Trainingsdaten berücksichtigt werden. Ein ähnlicher Ansatz könnte auch mit Audio-Aufzeichnungen von Sprache verwendet werden, die Pausen enthält, die in der geschriebenen Sprache nicht dargestellt werden.

Laut Royyuru liegt der Vorteil der Verwendung von Sprachproben darin, dass sie, unabhängig davon, ob sie gesprochen oder geschrieben werden, nicht-invasive Methoden zur Bestimmung der kognitiven Zustände von Menschen sind. Die Erfassung von Sprachdaten kann über das Internet remote und relativ günstig durchgeführt werden, indem man das Internet nutzt, obwohl es wichtig ist, dass Datenschutzsicherheitsmaßnahmen und informierte Zustimmung vorhanden sind, wenn solche Daten erfasst werden.

Co-Autor der Studie und Forscher für Neuroimaging und computergestützte Psychiatrie bei IBM, Guillermo Cecchi, erklärte gegenüber Scientific American, dass der Prozess angepasst wird, um andere Formen von Krankheiten zu verstehen:

„Wir sind im Prozess, diese Technologie zu nutzen, um Krankheiten wie Schizophrenie, [amyotrophe Lateralsklerose] und Parkinson-Krankheit besser zu verstehen und tun dies in prospektiven Studien, die gesprochene Sprachproben analysieren, die mit Zustimmung von ähnlichen kognitiven verbalen Tests gegeben werden.“