Les modèles d'IA utilisent le traitement du langage naturel pour prédire le risque de développer la maladie d'Alzheimer

Une équipe de chercheurs en IA d'IBM et de Pfizer a développé des algorithmes d'IA qui peut potentiellement détecter les signes de la maladie d'Alzheimer en analysant l'écriture des gens et en trouvant des modèles linguistiques.

D'autres chercheurs en IA ont développé des modèles destinés à prédire le développement de la maladie d'Alzheimer en analysant les scans TEP ou en interprétant les données des tests cliniques. Ces autres modèles ont été formés sur des données récentes, mais le modèle développé par l'équipe IBM-Pfizer a été formé sur les données de la Framingham Heart Study, qui comprend des données sur plus de 14,000 XNUMX personnes sur trois générations et six décennies. La nature à long terme des données est importante, car si l'IA est capable de détecter de manière fiable des modèles au sein de grandes populations sur de longues périodes, les chercheurs pourraient potentiellement prédire la manifestation de la maladie d'Alzheimer des années avant les techniques de diagnostic actuelles. De plus, il pourrait s'agir d'une méthode de diagnostic fiable qui ne nécessite pas l'utilisation d'une technologie de numérisation ou de tests invasifs, augmentant ainsi la gamme de scénarios dans lesquels elle peut être utilisée.

Selon le vice-président des soins de santé et des sciences de la vie d'IBM, Ajay Royyuru, les modèles d'IA développés par l'équipe de recherche peuvent fonctionner comme un outil qui aide les médecins à obtenir des indices sur le développement possible de la maladie d'Alzheimer avant les tests cliniques. Les modèles peuvent essentiellement fonctionner comme des systèmes d'alerte précoce qui incitent les médecins à effectuer des tests plus approfondis.

Afin de former les modèles d’IA, l’équipe de recherche a utilisé des transcriptions de réponses manuscrites à diverses questions. Les participants à la Framingham Heart Study ont été invités à décrire une image d’un environnement en utilisant leur langage naturel. Les réponses générées par les répondants ont été numérisées et les transcriptions ont été transmises aux algorithmes d'apprentissage automatique en tant que données de formation. Selon IBM, les modèles ont pu détecter certaines caractéristiques linguistiques corrélées au développement de troubles neurodégénératifs. Les cliniciens découvrent depuis longtemps qu'une certaine utilisation de mots répétés, de fautes d'orthographe et une préférence pour des phrases simples plutôt que des phrases plus complexes peuvent être révélatrices de la progression de la maladie d'Alzheimer, et les modèles d'IA ont exploité ces mêmes caractéristiques.

Selon les résultats de l'étude, le modèle principal a atteint une précision d'environ 70 % pour prédire lequel des participants à l'étude originale a finalement développé la maladie d'Alzheimer à l'âge de 85 ans. Les modèles, et donc les résultats, ont été dérivés des données historiques de l'étude originale. Ils n'ont pas vraiment prédit les événements futurs. De plus, le modèle d'IA a été formé sur la sous-section la plus ancienne de la population de Framingham. Cette population était principalement blanche non hispanique et, par conséquent, il y a des limites à la généralisation des résultats pour d'autres ethnies et d'autres populations à travers le monde. La taille de l'échantillon pour l'étude était également assez petite, composée de seulement 40 personnes qui ont développé une démence et 40 qui ne l'ont pas fait.

Malgré ces limites, l'étude a la valeur d'être l'une des premières études à analyser des données réelles à grande échelle recueillies sur une longue période. La précision du modèle pourrait potentiellement être augmentée si certaines caractéristiques exclues de l'étude sont incluses dans les futures données de formation, telles que l'écriture manuscrite. Une approche similaire pourrait également être utilisée avec des enregistrements audio de la parole, qui incluent des pauses qui ne sont pas représentées dans la langue écrite.

Selon Royyuru, l'avantage d'utiliser des échantillons de langue est que, indépendamment du fait que les échantillons soient parlés ou écrits, ce sont des méthodes non invasives pour déterminer les conditions cognitives des personnes. La collecte de données linguistiques peut être effectuée à distance et à moindre coût en utilisant Internet, bien qu'il soit important que des garanties de confidentialité et un consentement éclairé soient en place lors de la collecte de ces données.

Co-auteur de l'étude et chercheur en neuroimagerie et psychiatrie computationnelle chez IBM, Guillermo Cecchi, expliqué à Scientific American que le processus est adapté pour comprendre également d'autres formes de maladies :

« Nous sommes en train d'exploiter cette technologie pour mieux comprendre des maladies telles que la schizophrénie, [la sclérose latérale amyotrophique] et la maladie de Parkinson et nous le faisons dans des études prospectives [qui] analysent des échantillons de parole parlée, donnés avec le consentement de tests verbaux cognitifs similaires. ”