AI-modeller använder naturlig språkbehandling för att förutsäga risken för att utveckla Alzheimers sjukdom

Ett team av AI-forskare från IBM och Pfizer (PFE ) har utvecklat AI-algoritmer som kan potentiellt upptäcka tecken på Alzheimers sjukdom genom att analysera människors skrivande och hitta lingvistiska mönster.

Andra AI-forskare har utvecklat modeller som är avsedda att förutsäga utvecklingen av Alzheimers genom att analysera PET-skanningar eller genom att tolka kliniska testdata. Dessa andra modeller tränades på nyliga data, men modellen som utvecklades av IBM-Pfizer-teamet tränades på data från Framingham Heart Study, som inkluderar data på över 14 000 personer över tre generationer och sex decennier. Den långsiktiga naturen hos datan är viktig, eftersom AI kan pålitligt upptäcka mönster inom stora populationer över långa perioder, och forskare potentiellt kan förutsäga manifestationen av Alzheimers år i förväg för nuvarande diagnostiska tekniker. Dessutom kan det vara en tillförlitlig diagnostisk metod som inte kräver användning av skanningsutrustning eller invasiva tester, vilket ökar antalet scenarier där det kan användas.

Enligt IBM:s vicepresident för hälsovård och livsvetenskap, Ajay Royyuru, kan de AI-modeller som utvecklats av forskarteamet fungera som ett verktyg som hjälper medicinska praktiker att få ledtrådar om den möjliga utvecklingen av Alzheimers i förväg för kliniska tester. Modellerna kan i princip fungera som tidiga varningssystem som uppmanar medicinska praktiker att genomföra mer omfattande tester.

För att träna AI-modellerna använde forskarteamet transkriptioner av handskrivna svar på olika frågor. Deltagare i Framingham Heart Study ombads att beskriva en bild av en miljö med hjälp av sitt naturliga språk. Svaren som genererades av respondenterna digitaliserades och transkriptionerna matades in i maskinlärningsalgoritmerna som träningsdata. Enligt IBM kunde modellerna upptäcka vissa lingvistiska funktioner som korrelerar med utvecklingen av neurodegenerativa sjukdomar. Kliniker har länge funnit att vissa användningar av upprepade ord, stavfel och en preferens för enkla fraser över mer komplexa meningar kan vara indicativa för progressionen av Alzheimers, och AI-modellerna fastnade på dessa funktioner.

Enligt resultaten från studien uppnådde den primära modellen ungefär 70 procents noggrannhet i förutsägelsen av vilka av deltagarna i den ursprungliga studien som så småningom utvecklade Alzheimers sjukdom vid 85 års ålder. Modellerna, och därmed resultaten, härleddes från de historiska data inom den ursprungliga studien. De förutsåg inte riktigt framtida händelser. Dessutom tränades AI-modellen på den äldsta undergruppen av Framingham-populationen. Denna population var primärt icke-hispaniska vita, och som ett resultat finns det begränsningar för hur allmängiltiga resultaten är för andra etniciteter och populationer runt om i världen. Exempelstorleken för studien var ganska liten också, bestående av bara 40 personer som utvecklade demens och 40 som inte gjorde det.

Trots dessa begränsningar har studien värde som en av de första studierna som analyserar storskalig realtidsdata som samlats in under en lång tid. Noggrannheten hos modellen kunde potentiellt ökas om vissa funktioner som lämnades utanför studien inkluderas i framtida träningsdata, såsom handstil. En liknande approach kunde också användas med ljudinspelningar av tal, som innehåller pauser som inte representeras i skriven språk.

Enligt Royyuru är fördelen med att använda språkexempel att, oavsett om exemplen är talade eller skrivna, de är icke-invasiva metoder för att fastställa människors kognitiva tillstånd. Insamling av språkdata kan göras på distans och relativt billigt genom att utnyttja internet, även om det är viktigt att sekretessskydd och informerat samtycke finns på plats när sådan data samlas in.

Medförfattare till studien och forskare inom neurobildning och beräkningspsykiatri vid IBM, Guillermo Cecchi, förklarade för Scientific American att processen anpassas för att förstå andra former av sjukdomar också:

“Vi är i färd med att utnyttja denna teknik för att bättre förstå sjukdomar som schizofreni, [amyotrofisk lateralskleros] och Parkinsons sjukdom och gör det i prospektiva studier [som] analyserar talade språkexempel, givna med samtycke från liknande kognitiva verbala tester.”