Dirbtinis intelektas 78,5 proc. tikslumu prognozuoja Alzheimerio ligos progresavimą

Žmonėms, sergantiems lengvu kognityviniu sutrikimu, kyla didesnė Alzheimerio ligos rizika. Todėl tikslus progresavimo iš MCI į AD prognozavimas gali padėti priimant su gydymu susijusius sprendimus, atrenkant naujus vaistus ir dalyvaujant reabilitacijos programose. Įprastai AD patologija vertinama naudojant neurovaizdavimo metodus arba biomarkerius.

Įvairiuose tyrimuose buvo vertinami šie (įprastiniai) metodai, kuriais remiantis galima prognozuoti, kaip nuo MCI pereis į AD. Tačiau jie yra brangūs ir invaziniai, o tai riboja jų taikymo galimybes.

Priešingai, neuropsichologiniai testai (NPT) yra prieinamiausias pažinimo funkcijų pablogėjimo vertinimo būdas. Kompiuteriu pagrįsti metodai buvo išbandyti siekiant prognozuoti MCI perėjimą į AD naudojant NPT. NPT kalba gali būti naudojama kognityviniam nuosmukiui prognozuoti.

Dabar mokslininkai sukūrė dirbtiniu intelektu pagrįstus diagnostikos modelius, kuriuose naudojami akustiniai ir lingvistiniai NPT požymiai.

Framinghamo širdies tyrime (FHS) nuo 2005 m. įrašinėjami NPT, o įrašai naudojami diagnostinėms priemonėms kurti. Anksčiau tyrimo autoriai įrašams taikė natūraliosios kalbos apdorojimo (NLP) metodus, siekdami nustatyti asmenų vietą demencijos spektre.

Apie tyrimą

Šiame tyrime, naudodami kalbos duomenis, mokslininkai sukūrė metodą, leidžiantį prognozuoti Alzheimerio ligos progresavimą per šešerius metus.

FHS stebėjo 166 žmonių, turinčių pažintinių nusiskundimų, grupę. Kiekvienam žmogui buvo atliktas valandos trukmės NPT, kuris buvo skaitmeniniu būdu įrašytas ir išsaugotas. Buvo galima gauti informacijos apie išsilavinimą, sveikatos rizikos veiksnius ir apolipoproteino E (APOE) alelius.

Tyrime daugiausia dėmesio buvo skiriama pažintinių funkcijų progresavimui nuo MCI iki AD, o ne nuo normalaus pažinimo iki MCI ar AD, nes NPT naudingumas prognozuojant pažintinių funkcijų pablogėjimą be pažintinių funkcijų pablogėjimo (požymių) yra ribotas.

Ankstesniame darbe komanda sukūrė įrankį, skirtą balso įrašams transkribuoti automatiškai. Ši priemonė buvo naudojama tiriamųjų garso įrašams transkribuoti. Kiekvienas sakinys buvo pažymėtas pagal konkretų subtestą.

Pagal konkrečius kiekvienos stenogramos segmentus buvo gauti skirtingi NPT vektorių įterpimai. Universalusis sakinių koduotojas, giliuoju mokymusi pagrįstas modelis, generavo vektorių įterpinius.

Mokymo duomenys buvo padidinti atsitiktinai atrenkant iš transkripcijų sutrumpintas versijas, kurios vėliau buvo koduojamos. Be to, subtestų turinys buvo koduojamas atskirai, sukuriant aštuonis specifinius įterpinius.

Kiekybiniams duomenims, susijusiems su kiekvieno subtesto turiniu, buvo pritaikytas logistinės regresijos modelis. Sutrumpintų versijų įterptiniai duomenys buvo naudojami kaip nepriklausomi įvesties duomenys, todėl kiekvienam transkriptui buvo sukurti keli balai.

Iš šių daugybinių balų buvo sudarytas transkripcijos vidutinis balas (TAS). Naudojant subtestų balus ir TAS buvo sukurtas ansamblio logistinės regresijos modelis, pagal kurį prognozuojama tikimybė, kad per šešerius metus nuo MCI pereis į AD.

Modelio veikimas buvo įvertintas taikant stratifikuotos grupės k kartų kryžminio patvirtinimo metodą. Be to, buvo atliktas vidinis kryžminis tikrinimas požymių atrankai ir matmenų mažinimui.

Veikimo rodikliai buvo šie: plotas po imtuvo operacinės charakteristikos kreive (AUC), tikslumas, jautrumas ir specifiškumas.

Tyrimo išvados

Iš 166 asmenų, sergančių MCI, 90 asmenų per šešerius metus išsivystė demencija. AD demencija apėmė mišrią demenciją ir AD su insultu arba be jo. Vidutinis laikas iki AD demencijos buvo 2,7 metų.

Vyresnio amžiaus moterys, turinčios žemesnį išsilavinimą ir turinčios APOE ε4 alelį, turėjo didesnę tikimybę susirgti AD. Be to, moterys, kurioms išsivystė AD, buvo vidutiniškai 1,4 metų vyresnės nei vyrai.

Demografinius duomenis, APOE nešiotojo statusą, sveikatos veiksnius ir teksto ypatybes apimantis modelis (t. y. NLP modelis) pasiekė 79,9 % F1 rezultatą ir 78,5 % AUC.

Atitinkami modelio, kuriame naudojami tik teksto požymiai, rodikliai buvo atitinkamai 79,4 % ir 77,8 %. Modelio su teksto ir demografiniais požymiais AUC buvo 77,5 %, o F1 rezultatas – 79,6 %.

Modelio tik su NPT rodikliais F1 rodiklis buvo 75,5 %, o AUC – 71,3 %. Modelio tik su demografiniais požymiais AUC ir F1 balai buvo atitinkamai 68,8 % ir 71,1 %.

Modelio, pagrįsto mini psichikos būklės tyrimu, AUC buvo 60,7 %. Modelio, grindžiamo tik sveikatos veiksniais, AUC siekė 66,2 %.

Ką atskleidė mokslininkai?

Tyrėjai atskleidė automatinio kalbos atpažinimo ir NLP galimybes prognozuojant žmonių, sergančių MCI, AD progresavimą. Siūlomo modelio jautrumas buvo 81,1 %, specifiškumas – 75 %, o tikslumas – 78,2 %.

Šis metodas leidžia atlikti prieinamą ir neinvazinį dirbtiniu intelektu pagrįstą prognozavimą, nenaudojant genetinių ar laboratorinių tyrimų ar vaizdų, todėl idealiai tinka vertinimui nuotoliniu būdu.

Šiems rezultatams patvirtinti ir jų apibendrinimo galimybėms patvirtinti, atsižvelgiant į tai, kad tiriamųjų kohortoje vyravo baltaodžiai, reikalingi tolesni didelės apimties tyrimai.