AI-modellen gebruiken Natural Language Processing om het risico van het ontwikkelen van Alzheimer te voorspellen

Een team van AI-onderzoekers van IBM en Pfizer heeft AI-algoritmes ontwikkeld die mogelijk tekenen van de ziekte van Alzheimer kunnen detecteren door het schrijven en spreken van mensen te analyseren en linguïstische patronen te vinden.

Andere AI-onderzoekers hebben modellen ontwikkeld die bedoeld zijn om de ontwikkeling van Alzheimer te voorspellen door PET-scans te analyseren of door klinische testgegevens te interpreteren. Deze andere modellen zijn getraind op recente gegevens, maar het model dat is ontwikkeld door het team van IBM en Pfizer is getraind op gegevens uit de Framingham Heart Study, die gegevens bevat over meer dan 14.000 mensen over drie generaties en zes decennia. De langetermijngegevens zijn belangrijk, omdat het AI-model mogelijk patronen kan detecteren binnen grote populaties over lange perioden, waardoor onderzoekers mogelijk de manifestatie van Alzheimer jaren vooruit kunnen voorspellen met behulp van de huidige diagnostische technieken. Bovendien kan het een betrouwbare diagnosemethode zijn die geen gebruik maakt van scantechnologie of invasieve tests, waardoor het in meer scenario’s kan worden gebruikt.

Volgens Ajay Royyuru, vice-president van IBM voor gezondheidszorg en levenswetenschappen, kunnen de AI-modellen die zijn ontwikkeld door het onderzoeksteam fungeren als een instrument dat artsen hints geeft over de mogelijke ontwikkeling van Alzheimer voordat klinische tests worden uitgevoerd. De modellen kunnen in wezen fungeren als vroegwaarschuwingsystemen die artsen aanzetten tot uitgebreidere tests.

Om de AI-modellen te trainen, gebruikte het onderzoeksteam transcripties van handgeschreven antwoorden op verschillende vragen. Deelnemers aan de Framingham Heart Study werden gevraagd om een beschrijving te geven van een afbeelding van een setting met behulp van hun natuurlijke taal. De antwoorden die door de respondenten werden gegenereerd, werden gedigitaliseerd en de transcripties werden als trainingsgegevens aan de machine learning-algoritmes gevoerd. Volgens IBM konden de modellen bepaalde linguïstische kenmerken detecteren die correleren met de ontwikkeling van neurodegeneratieve aandoeningen. Klinici hebben lang geleden ontdekt dat bepaalde herhaling van woorden, spelfouten en een voorkeur voor eenvoudige zinnen boven complexe zinnen kunnen wijzen op de progressie van Alzheimer, en de AI-modellen vonden dezelfde kenmerken.

Volgens de resultaten van de studie behaalde het hoofdmodel ongeveer 70% nauwkeurigheid bij het voorspellen van welke deelnemers aan de oorspronkelijke studie uiteindelijk de ziekte van Alzheimer ontwikkelden tegen de leeftijd van 85. De modellen, en dus de resultaten, werden afgeleid van de historische gegevens binnen de oorspronkelijke studie. Ze voorspelden geen toekomstige gebeurtenissen. Bovendien was het AI-model getraind op de oudste subgroep van de Framingham-populatie. Deze populatie bestond voornamelijk uit niet-Hispanische blanken, en als gevolg daarvan zijn de resultaten beperkt in hoe algemeen ze zijn voor andere etnische groepen en populaties over de hele wereld. De steekproefgrootte voor de studie was vrij klein, bestaande uit slechts 40 individuen die dementie ontwikkelden en 40 die dat niet deden.

Ondanks deze beperkingen heeft de studie waarde als een van de eerste studies die grote, real-life gegevens hebben geanalyseerd die over een lange periode zijn verzameld. De nauwkeurigheid van het model kan mogelijk worden verhoogd als bepaalde kenmerken die buiten de studie zijn gelaten, zoals handschrift, in toekomstige trainingsgegevens worden opgenomen. Een soortgelijke benadering kan ook worden gebruikt met audiorecording van spraak, die pauzes bevat die niet in geschreven taal worden weergegeven.

Volgens Royyuru is het voordeel van het gebruik van taalmonsters dat, ongeacht of de monsters geschreven of gesproken zijn, ze niet-invasieve methoden zijn om de cognitieve toestand van mensen te bepalen. Het verzamelen van taalgegevens kan op afstand en relatief goedkoop worden gedaan door het internet te gebruiken, hoewel het belangrijk is dat privacybescherming en geïnformeerde toestemming aanwezig zijn bij het verzamelen van dergelijke gegevens.

Co-auteur van de studie en onderzoeker voor neurobeelden en computationele psychiatrie bij IBM, Guillermo Cecchi, legde aan Scientific American uit dat het proces wordt aangepast om andere vormen van ziektes te begrijpen:

“We zijn bezig om deze technologie te gebruiken om andere ziektes, zoals schizofrenie, [amyotrofe laterale sclerose] en de ziekte van Parkinson, beter te begrijpen, en we doen dit in prospectieve studies [die] gesproken spraakmonsters analyseren, gegeven met toestemming van soortgelijke cognitieve verbale tests.”