هوش مصنوعی چگونه می تواند به تشخیص علائم اولیه آلزایمر یاری کند - مجله گذر عمر

تحقیقات دانشکده مهندسی زیست پزشکی، علوم و سیستم های سلامت دانشگاه درکسل اخیراً نشان داده است که برنامه GPT-3 OpenAI می تواند سرنخ هایی را از گفتار خود به خود شناسایی کند که در پیش بینی مراحل اولیه زوال عقل 80 درصد دقیق هستند. تحقیقات نشان می دهد که اختلال زبان می تواند نشانه اولیه اختلالات عصبی باشد.

یافتن یک نشانه اولیه

روش فعلی برای تشخیص بیماری آلزایمر معمولاً شامل بررسی تاریخچه پزشکی و مجموعه ای طولانی از ارزیابی ها و آزمایش های فیزیکی و عصبی است. در حالی که هنوز هیچ درمانی برای این بیماری وجود ندارد، تشخیص زودهنگام آن می تواند گزینه های بیشتری برای درمان و حمایت به بیماران دهد. از آنجایی که اختلال زبان در 60 تا 80 درصد از بیماران مبتلا به زوال عقل یک علامت است، محققان بر برنامه هایی تمرکز نموده اند که می توانند سرنخ های ظریفی مانند تردید، اشتباهات دستوری و تلفظی و فراموش کردن معنای کلمات را به عنوان یک آزمون سریع دریافت نمایند.

دکتر هوالو لیانگ، استاد دانشکده مهندسی زیست پزشکی، علوم و سیستم های سلامت درکسل و یکی از محققان این مقاله می گوید: ما از تحقیقات در حال اجرا دریافتیم اثرات شناختی بیماری آلزایمر می تواند خود را در فراوری زبان نشان دهد. متداول ترین تست های مورد استفاده برای تشخیص زودهنگام نگاه آلزایمر به ویژگی های آکوستیک مانند مکث، بیان و کیفیت صدا، علاوه بر تست های شناختی است اما ما معتقدیم که بهبود برنامه های پردازش زبان طبیعی، مسیر دیگری را برای پشتیبانی از شناسایی زودهنگام فراهم می نماید.

برنامه ای که گوش می دهد و یاد می گیرد

GPT-3 که به طور رسمی سومین نسل از ترانسفورماتور پیش آموزشی عمومی OpenAI (GPT) است، از یک الگوریتم یادگیری عمیق استفاده می نماید که با پردازش بخش های وسیعی از اطلاعات از اینترنت، با تمرکز ویژه بر نحوه استفاده از کلمات و نحوه ساخت زبان آموزش داده شده است. این آموزش به آن اجازه می دهد تا پاسخی شبیه انسان به هر کاری که شامل زبان است، از پاسخ به سوالات ساده، تا نوشتن شعر یا مقاله، فراوری کند.

GPT-3 به ویژه در یادگیری داده های صفر خوب عمل می نماید؛ به این معنی که می تواند به سوالاتی پاسخ دهد که معمولاً به دانش خارجی احتیاج دارند، به عنوان مثال درخواست از برنامه برای نوشتن یادداشت های کلیف یک متن معمولاً احتیاج به شرح دارد؛ اما GPT-3 برای درک مرجع و تطبیق خود با ایجاد پاسخ مورد انتظار، آموزش کافی را پشت سر گذاشته است.

فلیکس آگباور، یکی از محققان اصلی این مطالعه می گوید: رویکرد سیستمی GPT3 به تجزیه و تحلیل و فراوری زبان، آن را به نامزدی امیدوارنماینده برای شناسایی ویژگی های گفتاری ظریفی که ممکن است آغاز زوال عقل را پیش بینی کند، تبدیل می نماید. آموزش GPT-3 با مجموعه داده عظیمی از مصاحبه ها که بعضی از آن ها با بیماران آلزایمر هستند، اطلاعات مورد احتیاج برای استخراج الگوهای گفتاری را در اختیار آن قرار می دهد که می تواند از آن ها برای شناسایی نشانگرها در بیماران آینده استفاده کرد.

جستجوی سیگنال های گفتاری

محققان نظریه خود را با آموزش برنامه با مجموعه ای از رونوشت ها از بخشی از مجموعه داده های ضبط شده گفتار که به طور خاص برای آزمایش توانایی برنامه های پردازش زبان طبیعی برای پیش بینی زوال عقل گردآوری شده بود، آزمایش کردند. این برنامه ویژگی های معنی داری از استفاده از کلمه، ساختار جمله و معنی را از متن استخراج می نماید تا چیزی را که محققان جاسازی می نامند و به معنای نمایه مشخصه گفتار آلزایمر است، فراوری کند.

این تیم با اجرای دو مورد از بهترین برنامه های پردازش زبان طبیعی با سرعت یکسان، دریافتند GPT-3، از نظر شناسایی دقیق نمونه های آلزایمر، شناسایی نمونه های غیرآلزایمر و موارد از دست رفته کمتر نسبت به هر دو برنامه، عملکرد بهتری دارد.

آزمایش دوم از تجزیه و تحلیل متنی GPT-3 برای پیش بینی امتیاز بیماران مختلف از مجموعه داده ها در یک آزمون رایج برای پیش بینی شدت زوال عقل، به نام آزمون شرایط ذهنی کوچک (MMSE) استفاده کرد.

تیم سپس دقت پیش بینی GPT-3 را با بررسی با استفاده از تنها ویژگی های صوتی ضبط شده، مانند مکث، قدرت صدا و درهم رفتن، برای پیش بینی امتیاز MMSE مقایسه کرد که در نتیجه آن ثابت شد GPT-3 تقریباً 20٪ در پیش بینی امتیازات MMSE بیماران دقیق تر است.

محققان این مطالعه گفتند: نتایج ما نشان می دهد جاسازی متن، فراوری شده به وسیله GPT-3، می تواند به طور قابل اعتمادی نه تنها برای تشخیص افراد مبتلا به بیماری آلزایمر از افراد سالم استفاده گردد، بلکه امتیاز تست شناختی آزمودنی را نیز استنتاج کرد؛ ما بعلاوه نشان می دهیم که جاسازی متن از رویکرد مبتنی بر ویژگی های آکوستیک معمولی بهتر عمل می نماید و حتی با مدل های تنظیم شده رقابتی نیز تطابق دارد. این نتایج همه با هم نشان می دهند که جاسازی متن مبتنی بر GPT-3 یک رویکرد امیدوارنماینده برای ارزیابی AD است و پتانسیل بالایی برای بهبود تشخیص زودهنگام زوال عقل دارد.

برای ایجاد این نتایج امیدوارنماینده، محققان در حال برنامه ریزی برای توسعه یک برنامه وب هستند که می تواند در خانه یا مطب پزشک به عنوان یک ابزار پیش غربالگری استفاده گردد.

لیانگ می گوید: اثبات مفهومی ما نشان می دهد که این می تواند ابزاری ساده، در دسترس و به میزان کافی حساس برای آزمایش مبتنی بر جامعه بوده، بعلاوه برای غربالگری زودهنگام و ارزیابی خطر قبل از تشخیص بالینی بسیار مفید باشد.