联系我们

卫生保健

AI模型使用自然语言处理来预测罹患阿兹海默症的风险’s

mm

已发表

 on

来自IBM和Pfizer的AI研究人员团队 开发了AI算法 通过分析人们的写作并找到语言模式,可以潜在地检测出阿尔茨海默氏病的体征。

其他AI研究人员也开发了模型来预测阿尔茨海默氏症的发展 通过分析PET扫描 或解释临床测试数据。这些其他模型是根据最近的数据进行训练的,但是IBM-Pfizer团队开发的模型是根据Framingham心脏研究的数据进行训练的,该数据包括三代零六十年中超过14,000人的数据。数据的长期性质很重要,因为AI能够长期可靠地检测大量人群中的模式,研究人员可能会在当前诊断技术之前预测阿尔茨海默氏症多年的表现。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,从而扩大了可以使用的诊断范围。

据IBM医疗与生命科学副总裁Ajay Royyuru称,研究团队开发的AI模型可以作为一种工具,帮助医疗从业人员在临床测试之前获得有关阿尔茨海默氏病可能发展的线索。这些模型本质上可以充当预警系统,提示医疗从业人员进行更广泛的测试。

为了训练AI模型,研究团队使用了手写笔录对各种问题的回答。要求弗雷明汉心脏研究的参与者使用其自然语言描述背景图片。受访者产生的答案被数字化,抄录被输入到 机器学习 算法作为训练数据。据IBM称,这些模型能够利用某些语言特征,这些特征与神经退行性疾病的发展有关。临床医生长期以来一直发现,重复使用单词,拼写错误以及对简单短语的偏爱要比对复杂句子的偏爱,可以预示阿尔茨海默氏症的进展,而AI模型也具有相同的功能。

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85岁之前患上了阿尔茨海默氏病方面达到了约70%的准确度。这些模型及其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,AI模型是在Framingham人口中最古老的部分进行训练的。该人群主要是非西班牙裔白人,因此,对于世界上其他种族和其他人群,结果的普遍性存在局限性。该研究的样本量也很小,只有40名患痴呆症的人和40名没有痴呆症的人。

尽管有这些局限性,该研究还是有价值的,它是最早分析长期收集的大规模现实数据的研究之一。如果将来的训练数据(如手写体)中包括了研究中遗漏的某些功能,则可能会提高模型的准确性。类似的方法也可以用于语音录音,其中包括未用书面语言表示的停顿。

根据Royyuru的说法,使用语言样本的优势在于,无论是说语言还是书面样本,它们都是确定人们认知状况的非侵入性方法。可以利用互联网以相对较低的成本远程且相对便宜地收集语言数据,尽管在收集此类数据时一定要确保隐私保护和知情同意很重要。

IBM的Guillermo Cecchi的神经影像与计算精神病学研究与研究合著者, 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来更好地了解精神分裂症,[肌萎缩性侧索硬化症]和帕金森症等疾病 ’疾病,并且在前瞻性研究中正在这样做,该研究会分析口语样本,并得到类似的认知语言测试的同意。”