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 (PFE ) a développé des algorithmes d’IA qui peuvent potentiellement détecter les signes de la maladie d’Alzheimer en analysant les écrits 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 PET ou en interprétant les données de 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 des données de l’étude sur le cœur de Framingham, qui comprend des données sur plus de 14 000 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 les modèles au sein de grandes populations sur de longues périodes, les chercheurs pourraient potentiellement prédire la manifestation de la maladie d’Alzheimer des années à l’avance des techniques de diagnostic actuelles. De plus, cela pourrait être une méthode de diagnostic fiable qui ne nécessite pas l’utilisation de la technologie de scan ou de tests invasifs, augmentant ainsi la gamme de scénarios dans lesquels elle peut être utilisée.

Selon le vice-président d’IBM en charge des soins de santé et des sciences de la vie, Ajay Royyuru, les modèles d’IA développés par l’équipe de recherche peuvent fonctionner comme un outil qui aide les praticiens médicaux 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 praticiens médicaux 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 l’étude sur le cœur de Framingham ont été invités à décrire une image d’un cadre en utilisant leur langage naturel. Les réponses générées par les répondants ont été numérisées et les transcriptions ont été fournies aux algorithmes d’apprentissage automatique en tant que données de formation. Selon IBM, les modèles ont pu détecter certaines caractéristiques linguistiques qui sont corrélées au développement de troubles neurodégénératifs. Les cliniciens ont longtemps constaté que certaines utilisations de mots répétés, de fautes d’orthographe et d’une préférence pour les phrases simples par rapport aux phrases plus complexes peuvent être indicatives de la progression de la maladie d’Alzheimer, et les modèles d’IA ont détecté les mêmes caractéristiques.

Selon les résultats de l’étude, le modèle principal a atteint une précision d’environ 70 % dans la prédiction de quels participants à l’étude originale ont 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-population la plus âgée de la population de Framingham. Cette population était principalement composée de non-Hispaniques blancs, et en conséquence, il y a des limites à la généralisation des résultats pour d’autres ethnies et populations du monde entier. La taille de l’échantillon pour l’étude était plutôt petite, composée de seulement 40 individus qui ont développé la démence et 40 qui ne l’ont pas.

Malgré ces limites, l’étude a une valeur en tant que l’une des premières études à analyser des données de la vie réelle à grande échelle collectées sur une longue période. La précision du modèle pourrait potentiellement être augmentée si certaines caractéristiques laissées de côté dans l’étude sont incluses dans les données de formation futures, 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 le langage écrit.

Selon Royyuru, l’avantage de l’utilisation d’échantillons de langage est qu’ils sont, qu’ils soient parlés ou écrits, 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 de consentement éclairé soient en place lors de la collecte de telles données.

Co-auteur de l’étude et chercheur en neuroimagerie et en psychiatrie computationnelle chez IBM, Guillermo Cecchi, a expliqué à Scientific American que le processus est en cours d’adaptation pour comprendre d’autres formes de maladie ainsi :

« 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. »