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

一组来自IBM和辉瑞的AI研究人员已经开发了AI算法，这些算法可以通过分析人们的写作并找到语言模式来潜在地检测阿尔茨海默病的迹象。

其他AI研究人员已经开发了旨在通过分析PET扫描或解释临床测试数据来预测阿尔茨海默病发展的模型。这些其他模型是在最近的数据上进行的训练，而IBM-辉瑞团队开发的模型是在弗雷明汉心脏研究的数据上进行的训练，该研究包括了三个世代和六十年的超过14,000人的数据。数据的长期性质很重要，因为如果AI能够可靠地在大型人群中长时间内检测模式，研究人员可能能够提前几年预测阿尔茨海默病的表现。另外，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，从而增加了它可以使用的场景范围。

根据IBM的副总裁Ajay Royyuru的说法，研究团队开发的AI模型可以作为一个工具，帮助医疗从业者在临床测试之前获得有关可能发展成阿尔茨海默病的线索。这些模型可以基本上作为早期警告系统，提示医疗从业者进行更广泛的测试。

为了训练AI模型，研究团队使用了对各种问题的书面回答的转录。弗雷明汉心脏研究的参与者被要求使用他们的自然语言来描述一个场景的图片。由受访者生成的答案被数字化，并且转录被输入到机器学习算法中作为训练数据。根据IBM的说法，模型能够捕捉到某些与神经退行性疾病发展相关的语言特征。临床医生长期以来已经发现，某些重复使用的词语、拼写错误和对简单短语的偏好可以指示阿尔茨海默病的进展，而AI模型也发现了这些特征。

根据研究结果，主要模型在预测原始研究中哪些参与者最终会在85岁之前发展成阿尔茨海默病方面实现了大约70%的准确率。模型和结果都是从原始研究中的历史数据中得出的。它们并没有真正预测未来事件。另外，AI模型是在弗雷明汉人口中最老的子集上进行的训练。这个人口主要是非西班牙裔白人，因此结果的普遍适用性受到限制，尤其是对于其他民族和世界各地的人口来说。研究的样本量也相对较小，只有40名发展成痴呆症的个体和40名没有发展成痴呆症的个体。

尽管存在这些限制，研究仍然具有价值，因为它是最早分析大规模、长期收集的现实数据的研究之一。模型的准确性可能会通过在未来训练数据中包含某些被排除在研究之外的特征（如手写）而提高。同样的方法也可以应用于语音录音，语音录音中包含了在书面语言中没有体现的暂停。

根据Royyuru的说法，使用语言样本的优势在于，无论样本是口语还是书面语言，它们都是非侵入性的方法，可以确定人们的认知状态。通过利用互联网，可以远程且相对廉价地收集语言数据，但在收集此类数据时，必须确保有隐私保护和知情同意。

研究的共同作者、IBM神经成像和计算精神病学研究员Guillermo Cecchi向科学美国人解释，该过程正在被改进，以了解其他形式的疾病：

“我们正在利用这项技术来更好地了解诸如精神分裂症、[肌萎缩性侧索硬化症]和帕金森病等疾病，并且我们正在进行前瞻性研究，分析在相似认知语言测试中获得的语音样本，并且这些样本是经过同意的。”