Doğal Dil İşleme Kullanarak Alzheimer Hastalığı Riskini Tahmin Eden AI Modelleri

IBM ve Pfizer’den bir ekip, insanların yazma ve dil kalıplarını analiz ederek Alzheimer hastalığının belirtilerini potansiyel olarak tespit edebilen AI algoritmaları geliştirdi.

Diğer AI araştırmacıları, Alzheimer’in gelişimini PET taramalarını analiz ederek veya klinik test verilerini yorumlayarak tahmin etmeye yönelik modeller geliştirdiler. Bu diğer modeller recent verilerle eğitilirken, IBM-Pfizer ekibinin geliştirdiği model, 14.000’den fazla kişi ve altı on yıl boyunca veri içeren Framingham Kalp Çalışması verisiyle eğitildi. Verilerin uzun süreli olması önemli, çünkü AI büyük popülasyonlar ve uzun süreler boyunca güvenilir bir şekilde kalıplar tespit edebiliyorsa, araştırmacılar Alzheimer’in ortaya çıkışını mevcut tanı tekniklerinden yıllar önce potentially tahmin edebilecekler. Ayrıca, tarama teknolojisi veya invazif testlerin kullanımına gerek kalmadan güvenilir bir tanı yöntemi olabilir, bu da kullanım senaryolarının kapsamını artırabilir.

IBM’nin sağlık ve yaşam bilimleri başkan yardımcısı Ajay Royyuru, araştırma ekibinin geliştirdiği AI modellerinin, tıbbi uygulayıcıların Alzheimer’in olası gelişimi hakkında ipuçları almasına yardımcı olan bir araç olarak işlev görebileceğini belirtti. Modeller, essentially erken uyarı sistemleri olarak işlev görebilir ve tıbbi uygulayıcıları daha kapsamlı testlere yönlendirebilir.

AI modellerini eğitmek için, araştırma ekibi çeşitli sorulara verilen el yazısı cevaplarının transkriptlerini kullandı. Framingham Kalp Çalışması’ndaki katılımcılardan, bir resmi doğal dillerini kullanarak tanımlamaları istendi. Cevaplar dijitalleştirildi ve transkriptler makine öğrenimi algoritmalarına eğitim verisi olarak verildi. IBM’ye göre, modeller certain dil özelliklerini tespit edebildi, bunlar nörodejeneratif bozuklukların gelişimiyle ilişkiliydi. Klinikçiler, tekrarlanan kelimelerin, yazım hatalarının ve basit cümlelere tercih edilmesinin Alzheimer’in ilerlemesini gösterebileceğini uzun süredir bulmuşlardı ve AI modelleri aynı özellikleri tespit etti.

Çalışmanın sonuçlarına göre, ana model, katılımcıların 85 yaşına kadar Alzheimer hastalığı geliştirme olasılığını yaklaşık %70 doğrulukla tahmin edebildi. Modeller ve sonuçlar, orijinal çalışmadaki tarihi verilerden türetilmiştir. Gelecek olayları gerçekten tahmin etmediler. Ayrıca, AI modeli, Framingham nüfusunun en yaşlı alt grubuyla eğitildi. Bu nüfus çoğunlukla Hispanik olmayan beyazlardan oluşuyordu ve bu nedenle, sonuçların diğer etnik gruplar ve dünya çapındaki diğer popülasyonlar için ne kadar genelleştirilebileceği konusunda sınırlamalar vardı. Çalışmanın örneklem büyüklüğü de küçük oldu, sadece 40 kişiden oluşan demans geliştiren ve geliştirmeyen iki grup vardı.

Bu sınırlamalara rağmen, çalışma, uzun bir süre boyunca toplanan gerçek yaşam verilerini analiz eden ilk çalışmalarından biri olarak değer taşıyor. Modelin doğruluğu, gelecekteki eğitim verilerine dahil edilecek certain özellikler eklenirse artırılabilecek. Benzer bir yaklaşım, yazı dili yerine ses kayıtlarıyla da kullanılabilir, bu da yazı dilinde temsil edilmeyen duraklamaları içerir.

Royyuru’ya göre, dil örneklerinin avantajı, bu örneklerin yazılı veya sözlü olması fark etmeksizin, insanların bilişsel durumlarını belirlemenin invazif olmayan bir yöntemi olmasıdır. Dil verisi, interneti kullanarak uzaktan ve nispeten ucuz bir şekilde toplanabilir, ancak bu tür verilerin toplanmasında gizlilik önlemleri ve bilgilendirilmiş onayın olması önemlidir.

Çalışmanın ortak yazarı ve IBM’de nörogörüntüleme ve hesaplamalı psikiyatri araştırmacısı Guillermo Cecchi, Scientific American’a bu teknolojinin diğer hastalıkları anlamak için de uyarlandığını açıkladı:

“Şizofreni, [amyo-trofik lateral skleroz] ve Parkinson hastalığı gibi hastalıkları daha iyi anlamak için bu teknolojiyi kullanmaya çalışıyoruz ve benzer bilişsel sözel testlerden alınan konuşma örneklerini analiz eden prospektif çalışmalar yapıyoruz.”