โมเดล AI ใช้การประมวลผลภาษาธรรมชาติเพื่อคาดการณ์ความเสี่ยงของการเป็นโรคอัลไซเมอร์

ทีมนักวิจัย AI จาก IBM และ Pfizer (PFE ) ได้พัฒนาแอลกอริทึม AI ที่สามารถตรวจจับอาการของโรคอัลไซเมอร์ได้โดยการวิเคราะห์ข้อเขียนและค้นหารูปแบบภาษา

นักวิจัย AI อื่นๆ ได้พัฒนาโมเดลที่มีจุดมุ่งหมายเพื่อคาดการณ์การพัฒนาของโรคอัลไซเมอร์ โดยการวิเคราะห์ภาพ PET หรือโดยการวิเคราะห์ข้อมูลการทดสอบทางคลินิก โมเดลเหล่านี้ได้รับการฝึกอบรมจากข้อมูลล่าสุด แต่โมเดลที่พัฒนาโดยทีม IBM-Pfizer ได้รับการฝึกอบรมจากข้อมูลจากการศึกษาฝั่ง Framingham ซึ่งรวมถึงข้อมูลเกี่ยวกับคนมากกว่า 14,000 คนในช่วงสามชั่วรุ่นและหกทศวรรษ ลักษณะระยะยาวของข้อมูลมีความสำคัญ เนื่องจากหาก AI สามารถตรวจจับรูปแบบภายในประชากรขนาดใหญ่ในระยะยาวได้อย่างน่าเชื่อถือ นักวิจัยอาจคาดการณ์การแสดงออกของโรคอัลไซเมอร์ได้ล่วงหน้าเทคนิคการวินิจฉัยในปัจจุบัน นอกจากนี้ยังอาจเป็นวิธีการวินิจฉัยที่เชื่อถือได้ซึ่งไม่ต้องใช้เทคโนโลยีการสแกนหรือการทดสอบที่รุกราน ทำให้สามารถใช้งานได้ในหลายๆ สถานการณ์

ตามที่ Ajay Royyuru รองประธานฝ่ายการดูแลสุขภาพและวิทยาศาสตร์ชีวภาพของ IBM ระบุว่า โมเดล AI ที่พัฒนาโดยทีมวิจัยสามารถทำงานเป็นเครื่องมือที่ช่วยให้แพทย์สามารถคาดการณ์การพัฒนาของโรคอัลไซเมอร์ได้ล่วงหน้า โมเดลเหล่านี้สามารถทำงานเป็นระบบเตือนภัยที่กระตุ้นให้แพทย์ทำการทดสอบเพิ่มเติม

เพื่อฝึกอบรมโมเดล AI ทีมวิจัยได้ใช้การถอดความจากคำตอบที่เขียนด้วยมือต่อคำถามต่างๆ ผู้เข้าร่วมการศึกษาฝั่ง Framingham ถูกขอให้อธิบายภาพของสถานที่โดยใช้ภาษาธรรมชาติของตนเอง คำตอบที่ได้รับจากผู้ตอบแบบสอบถามถูกแปลงเป็นดิจิทัลและถูกส่งเข้าโมเดลการเรียนรู้ของเครื่องจักร ตามที่ IBM ระบุ โมเดลสามารถตรวจจับรูปแบบภาษาที่เกี่ยวข้องกับการพัฒนาของโรคเสื่อมสมองได้ นักแพทย์พบว่าการใช้คำซ้ำๆ การสะกดผิด และการชอบใช้ประโยคที่ง่ายกว่าประโยคที่ซับซ้อนสามารถบ่งบอกถึงการดำเนินของโรคอัลไซเมอร์ได้ และโมเดล AI ก็พบกับรูปแบบเหล่านี้เช่นกัน

ตาม ผลการศึกษา โมเดลหลักได้ความแม่นยำประมาณ 70% ในการคาดการณ์ว่าผู้เข้าร่วมการศึกษาฝั่ง Framingham จะพัฒนาเป็นโรคอัลไซเมอร์เมื่ออายุ 85 ปี โมเดลและผลลัพธ์เหล่านี้ได้มาจากข้อมูลในอดีตของการศึกษาฝั่ง Framingham ไม่ได้คาดการณ์เหตุการณ์ในอนาคต นอกจากนี้ โมเดล AI ยังถูกฝึกอบรมจากชุดข้อมูลที่เก่าแก่ที่สุดของประชากรฝั่ง Framingham ซึ่งส่วนใหญ่เป็นคนผิวขาวที่ไม่ใช่ฮิสแปนิก ดังนั้นจึงมีข้อจำกัดในการที่จะนำผลลัพธ์ไปใช้กับเชื้อชาติอื่นๆ และประชากรอื่นๆ ทั่วโลก ขนาดตัวอย่างของการศึกษานี้ค่อนข้างเล็ก โดยมีเพียง 40 คนเท่านั้นที่พัฒนาเป็นโรคจิตและ 40 คนไม่พัฒนา

尽管มีข้อจำกัด แต่การศึกษานี้มีคุณค่าเนื่องจากเป็นหนึ่งในการศึกษาที่แรกที่วิเคราะห์ข้อมูลในชีวิตจริงขนาดใหญ่ที่รวบรวมในช่วงเวลานาน ความแม่นยำของโมเดลอาจเพิ่มขึ้นได้หากคุณลักษณะที่ไม่ได้ถูกนำมาใช้ในการศึกษานี้ เช่น การเขียนด้วยมือ ถูกนำมาใช้ในข้อมูลฝึกอบรมในอนาคต วิธีการที่คล้ายกันสามารถใช้กับการบันทึกเสียงพูดได้ ซึ่งรวมถึงการหยุดพักที่ไม่ได้แสดงในภาษาเขียน

ตามที่ Royyuru ระบุ ความได้เปรียบของการใช้ตัวอย่างภาษาคือว่าไม่ว่าจะเป็นตัวอย่างที่พูดหรือเขียน ก็เป็นวิธีการที่ไม่รุกรานในการตรวจสอบสภาพจิตใจของคน การรวบรวมข้อมูลภาษาสามารถทำได้ทางไกลและค่อนข้างถูกโดยใช้อินเทอร์เน็ต แต่สิ่งสำคัญคือต้องมีการคุ้มครองความเป็นส่วนตัวและความยินยอมในการรวบรวมข้อมูลดังกล่าว

ผู้ร่วมเขียนการศึกษาและนักวิจัยด้านการถ่ายภาพสมองและจิตแพทย์เชิงคำนวณของ IBM Guillermo Cecchi อธิบายกับ Scientific American ว่ากระบวนการนี้กำลังถูกนำมาใช้เพื่อทำความเข้าใจโรคอื่นๆ เช่นกัน:

“เรากำลังใช้เทคโนโลยีนี้เพื่อทำความเข้าใจโรคอื่นๆ เช่น โรคจิตเภท โรค ALS และโรคพาร์คินสัน และเรากำลังทำการศึกษาเชิงพรรณนาเพื่อวิเคราะห์ตัวอย่างคำพูดที่ให้มาโดยความยินยอมจากการทดสอบคำพูดเชิงวербัลที่คล้ายกัน”