Ved å analysere talemønstre har forskere ved Boston University utviklet et AI-system som med nesten 80% nøyaktighet kan forutsi om en person med mild kognitiv svikt vil utvikle Alzheimers sykdom i løpet av seks år.
Den studiepublisert i tidsskriftet Alzheimer's & Dementia, bruker kunstig intelligens til å hente ut verdifull diagnostisk informasjon fra kognitive vurderinger, noe som kan fremskynde diagnostisering og behandling av Alzheimers sykdom.
Teamets AI-modell oppnådde en nøyaktighet på 78,5% og en sensitivitet på 81,1% når det gjaldt å forutsi utviklingen fra mild kognitiv svikt (MCI) til Alzheimers sykdom innenfor en tidsramme på seks år. Dette slår andre tradisjonelle og ikke-invasive tester.
Det avgjørende er imidlertid at systemet utelukkende baserer seg på lett tilgjengelige data: transkribert tale fra kognitive vurderinger og grunnleggende demografisk informasjon som alder, kjønn og utdanningsnivå.
Kognitive tester som Boston Naming Test innebærer at en kliniker snakker med pasienten. Lyden fra disse testene blir ofte tatt opp for videre analyse.
"Vi ønsket å forutsi hva som ville skje de neste seks årene - og vi fant ut at vi kan forutsi dette med relativt god sikkerhet og nøyaktighet", sier han. sa Ioannis (Yannis) Paschalidis, direktør for BU Rafik B. Hariri Institute for Computing and Computational Science & Engineering og en av studiens ledende forskere.
"Hvis du kan forutsi hva som vil skje, har du større mulighet og et tidsvindu til å gripe inn med medisiner, og i det minste prøve å opprettholde stabiliteten i tilstanden og forhindre overgangen til mer alvorlige former for demens."
Mer om studien
Her er en oversikt over hvordan studien fungerte:
- Forskerteamet begynte med å samle inn lydopptak av kognitive vurderinger fra 166 deltakere med diagnosen mild kognitiv svikt (MCI). Deretter fulgte de disse personene over en seksårsperiode for å finne ut hvem som utviklet Alzheimers sykdom og hvem som forble stabile.
- Teamet brukte avansert talegjenkjenningsteknologi til å transkribere lydopptakene og forberede dataene for analyse.
- Deretter brukte forskerne sofistikerte teknikker for naturlig språkbehandling for å trekke ut et bredt spekter av språklige trekk og mønstre som de mente potensielt kunne fungere som indikatorer på Alzheimers-risiko.
- Deretter brukte de talefunksjonene og den demografiske informasjonen til å utvikle flere maskinlæringsmodeller.
- Disse AI-modellene ble utviklet for å forutsi sannsynligheten for at en gitt person ville utvikle seg fra mild kognitiv svikt til Alzheimers sykdom, basert på deres unike talemønstre og personlige egenskaper.
- Modellene oppnådde en nøyaktighet på 78,5% og en sensitivitet på 81,1% når det gjaldt å forutsi hvilke deltakere som ville utvikle Alzheimers sykdom i løpet av den seks år lange studieperioden.
- I en endelig analyse identifiserte forskerteamet de kognitive testene som hadde størst prediksjonskraft for Alzheimers-risiko, slik som Boston Naming Test, likhetstester og Wechsler Adult Intelligence Scale.
"Det digitale er det nye blodet", sier Rhoda Au, professor ved BU's Chobanian & Avedisian School of Medicine og medforfatter av studien.
"Du kan samle det inn, analysere det som er kjent i dag, lagre det og analysere det på nytt for å finne ut hva som måtte dukke opp i morgen."
Et av de mest interessante aspektene ved studien var at visse deler av de kognitive vurderingene var spesielt prediktive for fremtidig Alzheimers-risiko.
"Analysen vår viste at deltester knyttet til demografiske spørsmål, Boston Naming Test, likhetstester og Wechsler Adult Intelligence Scale var de viktigste faktorene som drev resultatene til modellen vår", skriver forskerne.
Dette kan bidra til å utvikle mer målrettede kognitive vurderinger, noe som kan effektivisere screeningprosessen ytterligere.
Selv om resultatene er lovende, innrømmer forskerne at det er behov for ytterligere validering i større og mer varierte populasjoner.
Talegjenkjenning kan åpne døren til tidlig diagnose
Taleanalyse har vist seg å være en verdifull teknikk for å forutsi Alzheimers og andre sykdommer.
I en 2020-studie I likhet med studien fra Boston University viste forskerne ved University of Sheffield at deres AI var i stand til å skille mellom deltakere med Alzheimers sykdom eller mild kognitiv svikt og deltakere med funksjonell kognitiv forstyrrelse eller friske kontrollpersoner med en nøyaktighet på 86,7%.
Forskere ved Klick Labs har også utviklet en AI-modell som kan oppdage type 2-diabetes ved hjelp av korte stemmeopptak på bare 6 til 10 sekunder. Avansert diabetes kan påvirke stemmen gjennom nerveskader, nedsatt blodgjennomstrømning og munntørrhet, noe som kan føre til påviselige forandringer.
Studien analyserte 18 000 lydopptak for å identifisere subtile akustiske forskjeller mellom personer med og uten diabetes.
I kombinasjon med faktorer som alder og BMI oppnådde modellen en maksimal testnøyaktighet på 89% for kvinner og 86% for menn.
Til sammen viser disse studiene at KI-støttede ikke-invasive tester og diagnostiske metoder kan føre til raskere og mer effektiv behandling, selv når spesialistleger og utstyr er fraværende.
