هوش مصنوعی چگونه به تشخیص علائم اولیه آلزایمر کمک می‌کند؟

به گزارش سیتنا، دانشمندان دانشگاه درکسل در تازه‌ترین تحقیقات خود، به مطالعه توانایی هوش مصنوعی در تشخیص علائم بیماری آلزایمر پرداختند.

تحقیقات دانشکده مهندسی زیست پزشکی، علوم و سیستم‌های سلامت دانشگاه درکسل اخیراً نشان داده است که برنامه GPT-۳ OpenAI می‌تواند سرنخ‌هایی را از گفتار خود به خود شناسایی کند که در پیش‌بینی مراحل اولیه زوال عقل ۸۰ درصد دقیق هستند. تحقیقات نشان می‌دهد که اختلال زبان می‌تواند نشانه اولیه اختلالات عصبی باشد.

یافتن یک نشانه اولیه

روش فعلی برای تشخیص بیماری آلزایمر معمولاً شامل بررسی تاریخچه پزشکی و مجموعه‌ای طولانی از ارزیابی‌ها و آزمایش‌های فیزیکی و عصبی است. در حالی که هنوز هیچ درمانی برای این بیماری وجود ندارد، تشخیص زودهنگام آن می‌تواند گزینه‌های بیشتری برای درمان و حمایت به بیماران دهد. از آنجایی که اختلال زبان در ۶۰ تا ۸۰ درصد از بیماران مبتلا به زوال عقل یک علامت است، محققان بر برنامه‌هایی تمرکز کرده‌اند که می‌توانند سرنخ‌های ظریفی مانند تردید، اشتباهات دستوری و تلفظی و فراموش کردن معنای کلمات را به‌عنوان یک آزمون سریع دریافت کنند.

دکتر هوالو لیانگ، استاد دانشکده مهندسی زیست پزشکی، علوم و سیستم‌های سلامت درکسل و یکی از محققان این مقاله می‌گوید: «ما از تحقیقات در حال انجام دریافتیم اثرات شناختی بیماری آلزایمر می‌تواند خود را در تولید زبان نشان دهد. متداول‌ترین تست‌های مورد استفاده برای تشخیص زودهنگام نگاه آلزایمر به ویژگی‌های آکوستیک مانند مکث، بیان و کیفیت صدا، علاوه بر تست‌های شناختی است اما ما معتقدیم که بهبود برنامه‌های پردازش زبان طبیعی، مسیر دیگری را برای پشتیبانی از شناسایی زودهنگام فراهم می‌کند».

برنامه‌ای که گوش می‌دهد و یاد می‌گیرد

GPT-۳ که به طور رسمی سومین نسل از ترانسفورماتور پیش‌آموزشی عمومی OpenAI (GPT) است، از یک الگوریتم یادگیری عمیق استفاده می‌کند که با پردازش بخش‌های 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 می‌دهد تا پاسخی شبیه انسان به هر کاری که شامل زبان است، از پاسخ به سوالات ساده، تا نوشتن شعر یا مقاله، تولید کند.

GPT-۳ به ویژه در «یادگیری داده‌های صفر» خوب عمل می‌کند؛ به این معنی که می‌تواند به سوالاتی پاسخ دهد که معمولاً به دانش خارجی نیاز دارند، به عنوان مثال درخواست از برنامه برای نوشتن یادداشت‌های کلیف یک متن معمولاً نیاز به توضیح دارد؛ اما GPT-۳ 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 می‌گوید: «رویکرد سیستمی GPT۳ به تجزیه و تحلیل و تولید زبان، آن را به نامزدی امیدوارکننده برای شناسایی ویژگی‌های گفتاری ظریفی که ممکن است شروع زوال عقل را پیش‌بینی کند، تبدیل می‌کند. آموزش GPT-۳ با مجموعه داده عظیمی از مصاحبه‌ها که برخی از آن‌ها با بیماران آلزایمر هستند، اطلاعات مورد نیاز برای استخراج الگوهای گفتاری را در اختیار آن قرار می‌دهد که می‌تواند از آن‌ها برای شناسایی نشانگرها در بیماران آینده استفاده کرد.

جستجوی سیگنال‌های گفتاری

محققان نظریه خود را با آموزش برنامه با مجموعه‌ای از رونوشت‌ها از بخشی از مجموعه داده‌های ضبط‌شده گفتار که به‌طور خاص برای آزمایش توانایی برنامه‌های پردازش زبان طبیعی برای پیش‌بینی زوال عقل گردآوری شده بود، آزمایش کردند. این برنامه ویژگی‌های معنی‌داری از استفاده از کلمه، ساختار جمله و معنی را از متن استخراج می‌کند تا چیزی را که محققان «جاسازی» می‌نامند و به معنای نمایه مشخصه گفتار آلزایمر است، تولید کند.

این تیم با اجرای دو مورد از برترین برنامه‌های پردازش زبان طبیعی با سرعت یکسان، دریافتند GPT-۳، از نظر شناسایی دقیق نمونه‌های آلزایمر، شناسایی نمونه‌های غیرآلزایمر و موارد از دست رفته کمتر نسبت به هر دو برنامه، عملکرد بهتری دارد.

آزمایش دوم از تجزیه و تحلیل متنی GPT-۳ برای پیش‌بینی امتیاز بیماران مختلف از مجموعه داده‌ها در یک آزمون رایج برای پیش‌بینی شدت زوال عقل، به نام آزمون وضعیت ذهنی کوچک (MMSE) استفاده کرد.

تیم سپس دقت پیش‌بینی GPT-۳ را با آنالیز با استفاده از تنها ویژگی‌های صوتی ضبط‌شده، مانند مکث، قدرت صدا و درهم‌رفتن، برای پیش‌بینی امتیاز MMSE مقایسه کرد که در نتیجه آن ثابت شد GPT-۳ تقریباً ۲۰٪ در پیش بینی امتیازات MMSE بیماران دقیق‌تر است.

محققان این مطالعه گفتند: «نتایج ما نشان می‌دهد جاسازی متن، تولید شده توسط GPT-۳، می‌تواند به طور قابل اعتمادی نه تنها برای تشخیص افراد مبتلا به بیماری آلزایمر از افراد سالم استفاده شود، بلکه امتیاز تست شناختی آزمودنی را نیز استنتاج کرد؛ ما همچنین نشان می‌دهیم که جاسازی متن از رویکرد مبتنی بر ویژگی‌های آکوستیک معمولی بهتر عمل می‌کند و حتی با مدل‌های تنظیم‌شده رقابتی نیز تطابق دارد. این نتایج همه با هم نشان می‌دهند که جاسازی متن مبتنی بر GPT-۳ یک رویکرد امیدوارکننده برای ارزیابی AD است و پتانسیل بالایی برای بهبود تشخیص زودهنگام زوال عقل دارد.

برای ایجاد این نتایج امیدوارکننده، محققان در حال برنامه ریزی برای توسعه یک برنامه وب هستند که می‌تواند در خانه یا مطب پزشک به عنوان یک ابزار پیش غربالگری استفاده شود.

لیانگ می‌گوید: «اثبات مفهومی ما نشان می‌دهد که این می‌تواند ابزاری ساده، در دسترس و به اندازه کافی حساس برای آزمایش مبتنی بر جامعه بوده، همچنین برای غربالگری زودهنگام و ارزیابی خطر قبل از تشخیص بالینی بسیار مفید باشد».

انتهای پیام