Modele AI wykorzystują przetwarzanie języka naturalnego do przewidywania ryzyka rozwoju choroby Alzheimera

Zespół badaczy AI z IBM i Pfizer (PFE ) rozwinął algorytmy AI, które mogą potencjalnie wykryć objawy choroby Alzheimera, analizując pisanie i znajdując wzorce językowe.

Inni badacze AI opracowali modele, których celem jest przewidywanie rozwoju choroby Alzheimera poprzez analizę skanów PET lub interpretację danych testów klinicznych. Te inne modele były szkolone na danych z ostatnich lat, ale model opracowany przez zespół IBM-Pfizer został szkolony na danych z badania Framingham Heart Study, które obejmuje dane ponad 14 000 osób z trzech pokoleń i sześciu dekad. Długoterminowy charakter danych jest ważny, ponieważ jeśli AI jest w stanie niezawodnie wykryć wzorce w dużych populacjach przez długi czas, badacze mogliby potencjalnie przewidzieć pojawienie się choroby Alzheimera lat przed obecnymi technikami diagnostycznymi. Ponadto, mogłoby to być niezawodną metodą diagnostyczną, która nie wymaga użycia technologii skanowania lub inwazyjnych testów, zwiększając zakres sytuacji, w których może być używana.

Zgodnie z oświadczeniem wiceprezesa IBM ds. opieki zdrowotnej i nauk życiowych, Ajay Royyuru, modele AI opracowane przez zespół badawczy mogą funkcjonować jako narzędzie, które pomaga lekarzom uzyskać wskazówki dotyczące możliwego rozwoju choroby Alzheimera przed testami klinicznymi. Modele mogą funkcjonować jako systemy wczesnego ostrzegania, które nakłaniają lekarzy do przeprowadzenia bardziej szczegółowych badań.

W celu szkolenia modeli AI, zespół badawczy wykorzystał transkrypcje odpowiedzi pisemnych na różne pytania. Uczestnicy badania Framingham Heart Study zostali poproszeni o opisanie obrazu sceny przy użyciu języka naturalnego. Odpowiedzi wygenerowane przez respondentów zostały zdigitalizowane, a transkrypcje zostały wprowadzone do algorytmów machine learning jako dane szkoleniowe. Zgodnie z IBM, modele były w stanie wykryć pewne cechy językowe, które są skorelowane z rozwojem chorób neurodegeneracyjnych. Lekarze od dawna stwierdzili, że pewne używanie powtarzających się słów, błędów ortograficznych i preferencja prostych fraz nad bardziej złożonymi zdaniem może być wskazówką postępu choroby Alzheimera, a modele AI również wykryły te same cechy.

Zgodnie z wynikami badania, główny model osiągnął około 70% dokładności w przewidywaniu, którzy z uczestników oryginalnego badania ostatecznie rozwinęli chorobę Alzheimera do 85 roku życia. Modele, a więc i wyniki, zostały wywiezione z danych historycznych w ramach oryginalnego badania. Nie przewidywały one zdarzeń przyszłych. Ponadto, model AI został szkolony na najstarszej podgrupie populacji Framingham. Ta populacja składała się głównie z osób nie-hiszpańskich i białych, w wyniku czego wyniki nie są zbyt ogólnie stosowalne dla innych etniczności i populacji na świecie. Rozmiar próby w badaniu był dość mały, składający się z zaledwie 40 osób, które rozwinęły demencję i 40, które nie.

Pomimo tych ograniczeń, badanie ma wartość jako jedno z pierwszych badań, które analizują duże, rzeczywiste dane zebrane przez długi czas. Dokładność modelu mogłaby być potencjalnie zwiększona, jeśli pewne cechy pominięte w badaniu zostaną uwzględnione w przyszłych danych szkoleniowych, takich jak pismo. Podobne podejście mogłoby być również zastosowane w przypadku nagrań audio mowy, które obejmują pauzy, które nie są reprezentowane w języku pisanym.

Zgodnie z oświadczeniem Royyuru, zaletą korzystania z próbek językowych jest to, że niezależnie od tego, czy próbki są mówione czy pisane, są to nieinwazyjne metody ustalenia stanu poznawczego ludzi. Zbieranie danych językowych może być wykonywane zdalnie i względnie tanio przy użyciu Internetu, chociaż ważne jest, aby środki ochrony prywatności i poinformowana zgoda były na miejscu podczas zbierania takich danych.

Współautor badania i badacz neuroobrazowania i psychiatrii obliczeniowej w IBM, Guillermo Cecchi, wyjaśnił Scientific American, że proces jest dostosowywany do lepszego zrozumienia innych form chorób:

„Jesteśmy w trakcie wykorzystania tej technologii do lepszego zrozumienia chorób, takich jak schizofrenia, [stwardnienie zanikowe boczne] i choroba Parkinsona, i robimy to w badaniach prospektywnych, które analizują próbki mowy, udzielone za zgodą z podobnych testów werbalnych.”