人工智能模型使用自然语言处理来预测患阿尔茨海默病的风险

来自 IBM 和辉瑞的人工智能研究人员团队 开发了AI算法 它可以通过分析人们的书写和寻找语言模式来检测阿尔茨海默病的迹象。

其他人工智能研究人员开发了旨在预测阿尔茨海默病发展的模型 通过分析 PET 扫描 或通过解释临床测试数据。 这些其他模型是根据最近的数据进行训练的，但 IBM-Pfizer 团队开发的模型是根据弗雷明汉心脏研究的数据进行训练的，该研究包括跨越 14,000 代和 XNUMX 个十年的 XNUMX 多人的数据。 数据的长期性很重要，如果人工智能能够在很长一段时间内可靠地检测大量人群的模式，那么研究人员就有可能比当前的诊断技术提前数年预测阿尔茨海默病的表现。 此外，它可能是一种可靠的诊断方法，不需要使用扫描技术或侵入性测试，从而增加了它的使用场景范围。

IBM 医疗保健和生命科学副总裁 Ajay Royyuru 表示，研究团队开发的人工智能模型可以作为一种工具，帮助医生在临床测试之前获得有关阿尔茨海默病可能发展的线索。 这些模型本质上可以充当早期预警系统，促使医生进行更广泛的测试。

为了训练人工智能模型，研究团队使用了对各种问题的手写回答的转录。弗雷明汉心脏研究的参与者被要求使用他们的自然语言描述一幅环境图片。受访者生成的答案被数字化，并将转录内容作为训练数据输入机器学习算法。据 IBM 称，这些模型能够识别与神经退行性疾病发展相关的某些语言特征。临床医生长期以来发现，某些重复单词、拼写错误以及偏爱简单短语而不是更复杂的句子可能表明阿尔茨海默氏症的进展，而人工智能模型也正是利用了这些相同的特征。

根据 研究结果，主要模型在预测原始研究中的哪些参与者最终在 70 岁时患上阿尔茨海默病方面达到了约 85% 的准确度。模型和结果均来自原始研究中的历史数据。 他们并没有真正预测未来的事件。 此外，人工智能模型还针对弗雷明汉人口中最古老的部分进行了训练。 该人群主要是非西班牙裔白人，因此，结果对于世界各地其他种族和其他人群的普遍性是有限的。 这项研究的样本量也相当小，只有 40 名患有痴呆症的人，以及 40 名没有患上痴呆症的人。

尽管存在这些局限性，该研究作为首批分析长期收集的大规模现实生活数据的研究之一仍具有价值。 如果研究中遗漏的某些特征（例如手写体）包含在未来的训练数据中，则模型的准确性可能会提高。 类似的方法也可以用于语音录音，其中包括未以书面语言表示的停顿。

Royyuru表示，使用语言样本的优点在于，无论样本是口头的还是书面的，它们都是确定人们认知状况的非侵入性方法。 收集语言数据可以通过利用互联网远程且相对便宜地完成，尽管在收集此类数据时确保隐私保护和知情同意很重要。

IBM 神经影像学和计算精神病学研究的合著者和研究员 Guillermo Cecchi， 向《科学美国人》解释 该过程也正在适应理解其他形式的疾病：

“我们正在利用这项技术更好地了解精神分裂症、肌萎缩侧索硬化症和帕金森病等疾病，并在前瞻性研究中分析口语样本，这些样本是在类似的认知语言测试的同意下进行的。 ”