Τα μοντέλα AI χρησιμοποιούν την επεξεργασία φυσικής γλώσσας για να προβλέψουν τον κίνδυνο ανάπτυξης της νόσου του Αλτσχάιμερ

Μια ομάδα ερευνητών του IBM και της Pfizer (PFE ) έχει αναπτύξει αλγορίθμους AI που μπορούν потенτικά να ανιχνεύσουν σημάδια της νόσου του Αλτσχάιμερ αναλύοντας το γράψιμο και την ομιλία των ανθρώπων και βρίσκοντας γλωσσικά μοτίβα.

Άλλοι ερευνητές έχουν αναπτύξει μοντέλα που προορίζονται να προβλέψουν την ανάπτυξη της νόσου του Αλτσχάιμερ αναλύοντας σκάνερ PET ή ερμηνεύοντας κλινικά δεδομένα. Αυτά τα μοντέλα εκπαιδεύτηκαν σε πρόσφατα δεδομένα, αλλά το μοντέλο που αναπτύχθηκε από την ομάδα του IBM-Pfizer εκπαιδεύτηκε σε δεδομένα από τη μελέτη Framingham Heart, η οποία περιλαμβάνει δεδομένα για πάνω από 14.000 άτομα σε τρεις γενιές και έξι δεκαετίες. Η μακροχρόνια φύση των δεδομένων είναι σημαντική, καθώς εάν το AI είναι ικανό να ανιχνεύσει με συνέπεια μοτίβα μέσα σε μεγάλες πληθυσμούς για μεγάλα χρονικά διαστήματα, οι ερευνητές θα μπορούσαν потенτικά να προβλέψουν την εμφάνιση της νόσου του Αλτσχάιμερ χρόνια πριν από τις τρέχουσες διαγνωστικές τεχνικές. Επιπλέον, θα μπορούσε να είναι một αξιόπιστη μεθοδος διάγνωσης που δεν απαιτεί τη χρήση σκανερ ή εισβολικών εξετάσεων, αυξάνοντας το εύρος των σεναρίων όπου μπορεί να χρησιμοποιηθεί.

Σύμφωνα με τον Ajay Royyuru, αντιπρόεδρο του IBM για την υγεία και τις επιστήμες της ζωής, τα μοντέλα AI που αναπτύχθηκαν από την ερευνητική ομάδα μπορούν να λειτουργήσουν ως εργαλείο που βοηθά τους ιατρούς να λάβουν ενδείξεις για την πιθανή ανάπτυξη της νόσου του Αλτσχάιμερ πριν από τις κλινικές εξετάσεις. Τα μοντέλα μπορούν ουσιαστικά να λειτουργήσουν ως συστήματα προειδοποίησης που προτρέπουν τους ιατρούς να πραγματοποιήσουν πιο εκτεταμένες εξετάσεις.

Για να εκπαιδεύσουν τα μοντέλα AI, η ερευνητική ομάδα χρησιμοποίησε μεταγραφές χειρόγραφων απαντήσεων σε διάφορες ερωτήσεις. Οι συμμετέχοντες στη μελέτη Framingham ζητήθηκαν να περιγράψουν μια εικόνα ενός περιβάλλοντος χρησιμοποιώντας τη φυσική τους γλώσσα. Οι απαντήσεις που παρείχαν οι συμμετέχοντες ψηφιοποιήθηκαν και οι μεταγραφές παρουσιάστηκαν στα αλγόριθμοι μηχανικής μάθησης ως δεδομένα εκπαίδευσης. Σύμφωνα με το IBM, τα μοντέλα ήταν σε θέση να αναγνωρίσουν某μένα γλωσσικά χαρακτηριστικά που συσχετίζονται με την ανάπτυξη νευροεκφυλιστικών διαταραχών. Οι κλινικοί ιατροί έχουν παρατηρήσει ότι η χρήση επαναλαμβανόμενων λέξεων, ορθογραφικών λαθών και η προτίμηση για απλές φράσεις αντί για πιο σύνθετες προτάσεις μπορεί να είναι ενδείξεις της πρόοδου της νόσου του Αλτσχάιμερ, και τα μοντέλα AI ανίχνευσαν τα ίδια χαρακτηριστικά.

Σύμφωνα με τα αποτελέσματα της μελέτης, το κύριο μοντέλο πέτυχε περίπου 70% ακρίβεια στην πρόβλεψη ποίων από τους συμμετέχοντες στη μελέτη θα αναπτύξουν τελικά τη νόσο του Αλτσχάιμερ μέχρι την ηλικία των 85. Τα μοντέλα, και επομένως τα αποτελέσματα, προέρχονται από τα ιστορικά δεδομένα της αρχικής μελέτης. Δεν προέβλεψαν πραγματικά μελλοντικά γεγονότα. Επιπλέον, το μοντέλο AI εκπαιδεύτηκε στο παλαιότερο τμήμα του πληθυσμού της Framingham. Αυτός ο πληθυσμός ήταν κυρίως μη-ισπανικής λευκής φυλής, και ως αποτέλεσμα, υπάρχουν περιορισμοί στη γενικευσιμότητα των αποτελεσμάτων για άλλες εθνοτικές ομάδες και πληθυσμούς σε όλο τον κόσμο. Το μέγεθος της δείγματος για τη μελέτη ήταν tương đối μικρό, αποτελούμενο από μόνο 40 άτομα που ανέπτυξαν άνοια και 40 που δεν ανέπτυξαν.

Παρά τους περιορισμούς, η μελέτη έχει αξία ως μια από τις πρώτες μελέτες που αναλύουν μεγάλης κλίμακας δεδομένα της πραγματικής ζωής που συλλέχθηκαν για μεγάλο χρονικό διάστημα. Η ακρίβεια του μοντέλου θα μπορούσε потенτικά να αυξηθεί εάν某μένα χαρακτηριστικά που απουσιάζουν από τη μελέτη συμπεριληφθούν σε μελλοντικά δεδομένα εκπαίδευσης, όπως η γραφή. Μια παρόμοια προσέγγιση θα μπορούσε επίσης να χρησιμοποιηθεί με ηχογραφήσεις ομιλίας, οι οποίες περιλαμβάνουν παύσεις που δεν αντιπροσωπεύονται στη γραπτή γλώσσα.

Σύμφωνα με τον Royyuru, το πλεονέκτημα της χρήσης δειγμάτων γλώσσας είναι ότι, ανεξάρτητα από το αν τα δείγματα είναι προφορικά ή γραπτά, είναι μη-εισβολικές μεθόδους για την αξιολόγηση των γνωστικών καταστάσεων των ανθρώπων. Η συλλογή δεδομένων γλώσσας μπορεί να γίνει απομακρυσμένα και σχετικά φτηνά με τη χρήση του διαδικτύου, αν και είναι σημαντικό να υπάρχουν προστατευτικά μέτρα και ενημερωμένη συναίνεση όταν συλλέγονται τέτοια δεδομένα.

Συν-συγγραφέας της μελέτης και ερευνητής για τη νευροεικόνα και την υπολογιστική ψυχιατρική στο IBM, Guillermo Cecchi, εξήγησε στο Scientific American ότι η διαδικασία προσαρμόζεται για να κατανοήσει άλλες μορφές ασθένειας:

«Βρισκόμαστε στη διαδικασία της αξιοποίησης αυτής της τεχνολογίας για να κατανοήσουμε καλύτερα ασθένειες όπως η σχιζοφρένεια, [η αμυοτροφική πλευρική σκλήρυνση] και η νόσος του Πάρκινσον και το κάνουμε σε προοπτικές μελέτες [που] αναλύουν δείγματα ομιλίας, που δίνονται με συναίνεση από παρόμοιους γνωστικούς λεκτικούς тестς».