Proces otępienny jest najczęściej podstępny. Jego pierwsze objawy bywają niepozorne, trudne do zauważenia i niecharakterystyczne dla konkretnej choroby. Ich postępujący charakter powoduje, że choć początkowo dyskretne deficyty zazwyczaj nie zaburzają dotychczasowego życia ani nie wzbudzają lęku, na późniejszych etapach mogą narastać do stopnia uniemożliwiającego samodzielne funkcjonowanie. Nawet dla osób, które znają najnowsze doniesienia naukowe dotyczące wczesnych, subtelnych oznak wskazujących na obecność procesu neurodegeneracyjnego, objawy te bywają niedostrzegalne. Jednak to, co umyka uwadze nawet najlepiej poinformowanych mózgów, z łatwością wychwytuje sztuczna inteligencja. Wykorzystując potencjał uczenia maszynowego, naukowcy z Centrum Medycznego Uniwersytetu w Teksasie opracowali model pozwalający na zidentyfikowanie pozornie niezauważalnych, wczesnych oznak łagodnych zaburzeń poznawczych i choroby Alzheimera na podstawie próbki mowy.
Zaburzenia poznawcze towarzyszące chorobom otępiennym często ujawniają się na poziomie języka. Chaotyczny charakter i brak płynności mowy czy trudność w doborze słów to tylko niektóre z oznak zaburzeń mowy. Z jednej strony, funkcje językowe stanowią w pewnym sensie wyraz pozostałych funkcji poznawczych. To dzięki nim możliwa jest ocena między innymi zaburzeń pamięci czy niedostosowania społecznego. Z drugiej strony zaburzenia mowy mogą oddziaływać na trudności doświadczane w innych obszarach – język jest w końcu obecny zarówno w procesach myślowych, jak i społecznych. Zapoznając sztuczną inteligencję z próbkami mowy pacjentów, naukowcy chcieli, aby to ona zidentyfikowała skomplikowane wzorce językowe wskazujące na obecność pierwszych zmian otępiennych. Aby odróżnić mowę typową od zaburzonej, sztuczna inteligencja musi jednak rozumieć język człowieka. W tym celu naukowcy wykorzystali tzw. przetwarzanie języka naturalnego (ang. natural language processing, NLP) – gałąź sztucznej inteligencji łączącą w sobie dziedziny lingwistyki, informatyki i matematyki. Poprzez badanie zasad i struktury języka pozwala ona na tworzenie inteligentnych systemów zdolnych nie tylko do rozumienia i generowania tekstu lub mowy, ale również do ich analizowania. To właśnie taki model uczenia maszynowego opracowali naukowcy z Teksasu.
W badaniu wzięło udział 206 uczestników – zarówno spełniających kryteria zaburzeń poznawczych, jak i należących do grupy kontrolnej. Podczas gdy standardowa diagnoza funkcji poznawczych może trwać nawet kilka godzin, sztuczna inteligencja oceniła funkcjonowanie uczestników na podstawie niespełna dwuminutowych, nagranych przez naukowców na pierwszym etapie badania wypowiedzi opisujących ilustracji „The Circus Procession”.
„Nagrane opisy stanowiły dla modelu próbkę umiejętności komunikacyjnych będącą wskaźnikiem kontroli motorycznej mowy, zawartości informacyjnej tworzonej wypowiedzi (ang. idea density), gramatycznej złożoności i innych aspektów mowy” tłumaczy dr Hajjar.
Ocena leksykalno-semantycznych i akustycznych aspektów mowy, której dokonał opracowany model, została przeanalizowana w kontekście popularnych biomarkerów zaburzeń poznawczych odnajdywanych za pośrednictwem badań płynu mózgowo-rdzeniowego i rezonansu magnetycznego. Okazało się, że nawet w przypadku deficytów nie ujawniających się w standardowej ocenie funkcjonowania poznawczego sztuczna inteligencja potrafiła zidentyfikować pacjentów z biomarkerami choroby Alzheimera: stężeniem beta-amyloidu w płynie mózgowo-rdzeniowym czy ilością połączeń funkcjonalnych w obszarze hipokampa. Co więcej, wyróżnione przez sztuczną inteligencję wzorce leksykalno-semantyczne i akustyczne były związane również z progresją choroby.
„Przed rozwojem uczenia maszynowego i NLP, analiza wzorców mowy pacjentów wymagała ogromnych nakładów pracy i często okazywała się nieskuteczna, ponieważ zmiany na wczesnych etapach zaburzeń są najczęściej niewykrywalne dla ludzkiego ucha” zauważa dr Hajjar.
Dr Hajjar kontynuuje zbieranie próbek głosowych w celu dalszych analiz. Jeśli stworzony przez naukowców nich model okaże się skuteczny także w innych badaniach, może stać się łatwym do przeprowadzenia przez opiekunów testem przesiewowym dla osób z grupy podwyższonego ryzyka. Tym samym wychwytywane przez sztuczną inteligencję wskaźniki pełniłyby rolę cyfrowych biomarkerów chorób otępiennych już na etapie przedklinicznym i prodromalnym. Wcześniejsza diagnoza stanowi ogromną szansę nie tylko dla pacjentów i ich rodzin, ale również dla specjalistów, których interwencje we wczesnych fazach rozwoju choroby mogą przynosić lepsze efekty i zapewnić pacjentom wyższą jakość życia.
