人工智能驱动ChatGPT能否帮助检测阿尔茨海默病的早期迹象?

聊天机器人程序ChatGPT背后的人工智能算法因其能够对一些最有创意的问题做出类似人类的书面回答而引起了人们的关注，也许有一天它能够帮助医生在早期发现阿尔茨海默病。最近的研究表明，OpenAI的GPT-3程序可以从自发语音中识别线索，预测痴呆症早期阶段的准确率达到80%。

　　

聊天机器人程序ChatGPT背后的人工智能算法因其能够对一些最有创意的问题做出类似人类的书面回答而引起了人们的关注，也许有一天它能够帮助医生在早期发现阿尔茨海默病。德雷克塞尔大学生物医学工程、科学和卫生系统学院最近的研究表明，OpenAI的GPT-3程序可以从自发语音中识别线索，预测痴呆症早期阶段的准确率达到80%。

据《公共科学图书馆·数字健康》杂志报道，德雷克塞尔大学的这项研究是一系列努力中的最新一项，旨在展示自然语言处理程序对早期预测阿尔茨海默病的有效性——利用目前的研究表明，语言障碍可能是神经退行性疾病的早期指标。

发现早期迹象

目前诊断阿尔茨海默病的做法通常包括病史回顾和冗长的身体和神经系统评估和测试。虽然目前还没有治愈这种疾病的方法，但及早发现它可以为患者提供更多的治疗和支持选择。由于60% -80%的痴呆患者都有语言障碍的症状，研究人员一直在关注能够捕捉细微线索的程序——比如犹豫、语法和发音错误以及忘记单词的意思——作为一种快速测试，可以表明患者是否应该接受全面检查。

“我们知道从正在进行的研究,阿尔茨海默氏症的认知效果可以表现在语言的生产,”梁Hualou说,博士,德雷克斯生物医学工程学院的教授,科学和卫生系统和该研究的合著者。“早期检测阿尔茨海默病最常用的测试除了认知测试外，还会检查声学特征，如停顿、发音和音质。但我们相信，自然语言处理程序的改进为阿尔茨海默病的早期识别提供了另一种途径。”

一个倾听和学习的程序

GPT-3是OpenAI的第三代通用预训练转换器(GPT)，它使用了一种深度学习算法，通过处理来自互联网的大量信息进行训练，特别关注词语的使用方式，以及语言的构造方式。这种训练使它能够对任何涉及语言的任务做出类似人类的反应，从回答简单的问题，到写诗或文章。

GPT-3特别擅长“零数据学习”，这意味着它可以回答通常需要外部知识而没有提供的问题。例如，要求程序编写一篇文本的“Cliff’s Notes”，通常需要解释这意味着摘要。但是GPT-3已经经过了足够的训练来理解参考，并自我调整以产生预期的响应。

“GPT3对语言分析和生成的系统方法使其成为识别可能预测痴呆症发作的微妙语音特征的有前途的候选者，”该学院的博士研究员、论文的主要作者Felix Agbavor说。“用大量的访谈数据集(其中一些是阿尔茨海默氏症患者)训练GPT-3，将为它提供提取语音模式所需的信息，然后应用于识别未来患者的标记物。”

寻找语音信号

研究人员用一组来自美国国立卫生研究院(National Institutes of Health)支持的语音录音数据集的副本来训练程序，以测试他们的理论，这些数据集是专门用于测试自然语言处理程序预测痴呆症的能力。该程序从文本中捕获单词使用、句子结构和含义的有意义的特征，从而产生研究人员所说的“嵌入”——阿尔茨海默氏症言语的特征剖面。

然后，他们使用嵌入重新训练程序——将其变成阿尔茨海默氏症筛查机器。为了测试它，他们要求程序审查数据集中的数十份抄本，并确定每一份抄本是否都是由患有阿尔茨海默氏症的人制作的。

以相同的速度运行两个顶级自然语言处理程序，该小组发现gbt -3在准确识别阿尔茨海默氏症病例和识别非阿尔茨海默氏症病例方面表现得比两者都好，而且遗漏的病例比两个程序都要少。

第二个测试使用GPT-3的文本分析来预测数据集中各种患者在预测痴呆症严重程度的常见测试中的得分，称为小型精神状态测试(MMSE)。

然后，研究小组将GPT-3的预测准确性与仅使用录音的声学特征(如停顿、声音强度和含糊)的分析进行了比较，以预测MMSE得分。GPT-3在预测患者MMSE评分方面的准确率提高了近20%。

他们写道:“我们的研究结果表明，由GPT-3生成的文本嵌入，不仅可以可靠地用于从健康对照中检测出阿尔茨海默病患者，还可以推断出受试者的认知测试得分，这两者都是仅基于语音数据。”“我们进一步表明，文本嵌入优于传统的基于声学特征的方法，甚至在微调模型中具有竞争力。这些结果表明，基于GPT-3的文本嵌入是一种很有前途的AD评估方法，并有可能改善痴呆症的早期诊断。”

继续搜索

在这些有希望的结果的基础上，研究人员正计划开发一种网络应用程序，可以在家里或医生的办公室作为预先筛查工具使用。

Liang说:“我们的概念验证表明，这可能是一种简单、易获得且足够敏感的基于社区的测试工具。”“这对于临床诊断前的早期筛查和风险评估非常有用。”

Journal Reference:

1. Felix Agbavor, Hualou Liang. Predicting dementia from spontaneous speech using large language models. PLOS Digital Health, 2022; 1 (12): e0000168 DOI: 10.1371/journal.pdig.0000168