Genom att analysera talmönster har forskare vid Boston University utvecklat ett AI-system som med nästan 80% noggrannhet kan förutsäga om en person med mild kognitiv nedsättning kommer att utveckla Alzheimers sjukdom inom sex år.
Den studiesom publicerades i tidskriften Alzheimer's & Dementia, använder AI för att extrahera värdefull diagnostisk information från kognitiva bedömningar, vilket påskyndar diagnostiseringen av Alzheimers sjukdom och i sin tur behandlingen.
Teamets AI-modell uppnådde en noggrannhet på 78,5% och en känslighet på 81,1% när det gällde att förutsäga utvecklingen från mild kognitiv störning (MCI) till Alzheimers sjukdom inom en sexårsperiod. Detta slår andra traditionella och icke-invasiva tester.
Avgörande är dock att systemet enbart förlitar sig på lättillgängliga data: tal som transkriberats från kognitiva bedömningar och grundläggande demografisk information som ålder, kön och utbildningsnivå.
Kognitiva utvärderingar som Boston Naming Test innebär att en läkare pratar med patienten. Ljudet från dessa tester spelas ofta in för vidare analys.
"Vi ville förutsäga vad som skulle hända under de kommande sex åren - och vi fann att vi rimligen kan göra den förutsägelsen med relativt god säkerhet och precision", säger han. sade Ioannis (Yannis) Paschalidis, chef för BU Rafik B. Hariri Institute for Computing and Computational Science & Engineering och en av studiens huvudforskare.
"Om man kan förutsäga vad som kommer att hända har man större möjlighet att ingripa med läkemedel och åtminstone försöka bibehålla stabiliteten i tillståndet och förhindra övergången till svårare former av demens."
Mer om studien
Här följer en sammanfattning av hur studien fungerade:
- Forskargruppen började med att samla in ljudinspelningar av kognitiva bedömningar från 166 deltagare som diagnostiserats med mild kognitiv störning (MCI). De följde sedan dessa personer under en sexårsperiod för att avgöra vilka som utvecklades till Alzheimers sjukdom och vilka som förblev stabila.
- Teamet använde avancerad taligenkänningsteknik för att transkribera ljudinspelningarna och förbereda data för analys.
- Därefter använde forskarna sofistikerade tekniker för bearbetning av naturligt språk för att extrahera ett brett spektrum av språkliga drag och mönster som de trodde potentiellt kunde fungera som indikatorer på Alzheimers risk.
- De använde sedan talegenskaperna och den demografiska informationen för att utveckla flera maskininlärningsmodeller.
- Dessa AI-modeller var utformade för att förutse sannolikheten för att en viss individ skulle utvecklas från mild kognitiv störning till Alzheimers sjukdom baserat på deras unika talmönster och personliga egenskaper.
- Modellerna uppnådde en träffsäkerhet på 78,5% och en känslighet på 81,1% när det gällde att förutsäga vilka deltagare som skulle utveckla Alzheimers sjukdom inom den sexåriga studieperioden.
- I en slutlig analys identifierade forskargruppen de kognitiva tester som hade störst förmåga att förutsäga risken för Alzheimers sjukdom, t.ex. Boston Naming Test, likhetstest och Wechsler Adult Intelligence Scale.
"Det digitala är det nya blodet", säger Rhoda Au, professor vid BU:s Chobanian & Avedisian School of Medicine och medförfattare till studien.
"Du kan samla in den, analysera den utifrån vad som är känt idag, lagra den och analysera den på nytt utifrån vad som är nytt imorgon."
En av de mest intressanta aspekterna av studien var att vissa delar av de kognitiva bedömningarna var särskilt prediktiva för framtida risk för Alzheimers sjukdom.
"Vår analys visade att deltester relaterade till demografiska frågor, Boston Naming Test, likhetstester och Wechsler Adult Intelligence Scale var de viktigaste faktorerna för att vår modell skulle fungera", konstaterar forskarna.
Detta skulle kunna ligga till grund för utvecklingen av mer målinriktade kognitiva bedömningar, vilket ytterligare skulle effektivisera screeningprocessen.
Även om resultaten är lovande medger forskarna att det finns behov av ytterligare validering i större och mer varierade populationer.
Taligenkänning kan öppna dörren till tidig diagnos
Talanalys har visat sig vara en värdefull teknik för att förutsäga Alzheimers och andra sjukdomar.
I en 2020 års studie I likhet med studien vid Boston University visade forskare vid University of Sheffield att deras AI kunde skilja mellan deltagare med Alzheimers sjukdom eller mild kognitiv störning och deltagare med funktionell kognitiv störning eller friska kontroller med en noggrannhet på 86,7%.
Forskare vid Klick Labs har också utvecklat en AI-modell som kan upptäcka typ 2-diabetes med hjälp av korta röstinspelningar på bara 6 till 10 sekunder. Avancerad diabetes kan påverka rösten genom nervskador, försämrat blodflöde och muntorrhet, vilket kan leda till påtagliga förändringar.
I studien analyserades 18.000 inspelningar för att identifiera subtila akustiska skillnader mellan diabetiker och icke-diabetiker.
I kombination med faktorer som ålder och BMI uppnådde modellen en maximal testprecision på 89% för kvinnor och 86% för män.
Tillsammans visar dessa studier att AI-stödda icke-invasiva tester och diagnostiska metoder kan leda till snabbare och effektivare behandling, även när specialistläkare och utrustning saknas.
