Tekoälymallit käyttävät luonnollista kielenkäsittelyä Alzheimerin taudin riskin ennustamiseen

IBM:n ja Pfizerin tekoälytutkijoiden ryhmä on kehittänyt tekoälyalgoritmeja jotka voivat mahdollisesti havaita Alzheimerin taudin merkkejä analysoimalla ihmisten kirjoitusta ja etsimällä kielellisiä malleja.

Muut tekoälytutkijat ovat kehittäneet malleja, joiden tarkoituksena on ennustaa Alzheimerin taudin kehittymistä analysoimalla PET-skannauksia tai tulkitsemalla kliinisten testien tietoja. Nämä muut mallit koulutettiin viimeaikaisten tietojen perusteella, mutta IBM-Pfizer-tiimin kehittämä malli koulutettiin Framingham Heart Study -tutkimuksen tietojen perusteella, joka sisältää tietoja yli 14,000 XNUMX ihmisestä kolmen sukupolven ja kuuden vuosikymmenen ajalta. Tietojen pitkäaikainen luonne on tärkeä, sillä jos tekoäly pystyy luotettavasti havaitsemaan kuvioita suurissa populaatioissa pitkiä aikoja, tutkijat voisivat mahdollisesti ennustaa Alzheimerin taudin ilmenemisen vuosia ennen nykyisiä diagnostisia tekniikoita. Lisäksi se voi olla luotettava diagnoosimenetelmä, joka ei vaadi skannaustekniikan tai invasiivisten testien käyttöä, mikä lisää skenaarioiden määrää, jossa sitä voidaan käyttää.

IBM:n terveydenhuollon ja biotieteiden varatoimitusjohtajan Ajay Royyurun mukaan tutkimusryhmän kehittämät tekoälymallit voivat toimia työkaluna, joka auttaa lääkäreitä saamaan vihjeitä Alzheimerin taudin mahdollisesta kehittymisestä ennen kliinisiä testejä. Mallit voivat pohjimmiltaan toimia varhaisvaroitusjärjestelminä, jotka kannustavat lääkäreitä jatkamaan laajempia testejä.

Tekoälymallien kouluttamiseksi tutkimusryhmä käytti transkriptioita käsin kirjoitetuista vastauksista eri kysymyksiin. Framingham Heart Study -tutkimuksen osallistujia pyydettiin kuvaamaan kuva ympäristöstä käyttämällä luonnollista kieltään. Vastaajien tuottamat vastaukset digitoitiin ja transkriptiot syötettiin koneoppimisalgoritmeihin koulutustietona. IBM:n mukaan mallit pystyivät poimimaan tiettyjä kielellisiä piirteitä, jotka korreloivat neurodegeneratiivisten häiriöiden kehittymisen kanssa. Kliinikot ovat pitkään havainneet, että tietty toistuvien sanojen käyttö, kirjoitusvirheet ja yksinkertaisten lauseiden suosiminen monimutkaisempien lauseiden sijaan voivat olla osoitus Alzheimerin taudin etenemisestä, ja tekoälymallit osuvat näihin samoihin piirteisiin.

Mukaan tutkimuksen tulokset, päämalli saavutti noin 70 % tarkkuuden ennustettaessa, kenelle alkuperäisen tutkimuksen osallistujista lopulta kehittyi Alzheimerin tauti 85-vuotiaana. Mallit ja siten tulokset johdettiin alkuperäisen tutkimuksen historiallisista tiedoista. He eivät todellakaan ennustaneet tulevia tapahtumia. Lisäksi tekoälymallia koulutettiin Framinghamin väestön vanhimmalle alaryhmälle. Tämä väestö oli ensisijaisesti ei-latinalaisamerikkalainen valkoinen, ja sen seurauksena tulokset ovat yleistettävissä muille etnisille ja muille väestöryhmille ympäri maailmaa. Myös tutkimuksen otoskoko oli melko pieni, sillä se koostui vain 40 henkilöstä, joille kehittyi dementia, ja 40 henkilöstä, joille ei kehittynyt.

Näistä rajoituksista huolimatta tutkimuksella on arvoa yhtenä ensimmäisistä tutkimuksista, jotka analysoivat laajamittaista tosielämän tietoja, jotka on kerätty pitkän ajanjakson aikana. Mallin tarkkuutta voitaisiin mahdollisesti lisätä, jos tietyt tutkimuksesta pois jääneet ominaisuudet sisällytetään tulevaan harjoitustietoon, kuten käsiala. Samanlaista lähestymistapaa voitaisiin käyttää myös puheen äänitallenteissa, jotka sisältävät taukoja, joita ei esitetä kirjoitetulla kielellä.

Royyurun mukaan kielinäytteiden käytön etuna on, että riippumatta siitä, ovatko näytteet puhuttuja vai kirjoitettuja, ne ovat noninvasiivisia menetelmiä ihmisten kognitiivisten olosuhteiden selvittämiseksi. Kielitietojen kerääminen voidaan tehdä etänä ja suhteellisen halvalla Internetiä hyödyntämällä, vaikka onkin tärkeää, että tällaisia ​​tietoja kerättäessä on olemassa tietosuojasuojat ja tietoinen suostumus.

Tutkimuksen toinen kirjoittaja ja IBM:n neurokuvantamisen ja laskennallisen psykiatrian tutkija Guillermo Cecchi, selitti Scientific Americanille että prosessia mukautetaan ymmärtämään myös muita sairauden muotoja:

"Olemme parhaillaan hyödyntämässä tätä tekniikkaa ymmärtääksemme paremmin skitsofrenian, [amyotrofisen lateraaliskleroosin] ja Parkinsonin taudin kaltaisia ​​sairauksia, ja teemme niin tulevissa tutkimuksissa, [jotka] analysoivat puhutun puhenäytteet, jotka on saatu samanlaisista kognitiivisista verbaalisista testeistä. ”