阿尔茨海默病诊断是出了名的困难。通常,医生使用认知测试的结合,大脑成像,观察的行为可以是昂贵和费时的。但如果快速的声音样本,很容易在一个人的家里,可以帮助识别阿尔茨海默氏症患者?
一家名为金丝雀的演讲制造技术来做到这一点。使用深度学习,其算法分析短语音样本阿尔茨海默病和其他疾病的迹象。深度学习提供者Syntiant最近宣布与金丝雀合作演讲,这将允许金丝雀的技术主要是用于医生办公室和医院通过医疗设备到一个人的家里。虽然有些研究发现深度学习技术使用声音和其他类型的数据非常准确分类与老年痴呆症和其他条件在实验室环境中,这是有可能的结果将是不同的在现实世界中。然而,人工智能和深度学习技术可能成为有用的工具在一个困难的诊断。
大多数人认为阿尔茨海默病,最常见的痴呆症,影响记忆。但研究表明,阿尔茨海默氏症会影响语言甚至在疾病的早期阶段,在大多数症状明显。虽然人们通常不能选择这些微妙的影响,深学习模型,训练成千上万的人的声音,没有这些条件,可以区分这些差异。
“你感兴趣的是什么,什么是中枢神经系统告诉你正在通过建立演讲吗?”亨利·奥康奈尔首席执行官和共同创始人的金丝雀演讲。“这就是金丝雀演讲我们分析数据集。”
直到现在,O ' connell说,该算法基于云计算的,但是金丝雀的合作Syntiant允许一个芯片的应用程序,这是更快,更多的内存和存储容量。这项新技术是整合到一个可穿戴设备,采取不到一秒,分析20或30秒语音样本条件如阿尔茨海默氏症,以及焦虑、抑郁,甚至一般的能量水平。O ' connell说,金丝雀的系统时大约是92.5%准确的正确区分人的声音和没有阿尔茨海默氏症。有一些研究表明,条件抑郁症和焦虑影响的演讲,奥康奈尔说,金丝雀正在测试和改进算法来检测这些条件的准确性。
其他语音技术取得了类似的成功,说弗兰克Rudzicz,计算机科学副教授多伦多大学创始人之一Winterlight实验室金丝雀的演讲,这使得一个类似的产品。在2016年的一次研究Rudzicz和其他研究人员使用简单的机器学习方法来分析人的演讲,没有阿尔茨海默氏症的精度约为81%。
“深入学习,你就会给这些深层神经网络的原始数据,然后深神经网络自动生成自己的内部表示,“Rudzicz说。像所有的深度学习算法,这将创建一个“黑盒”——即不可能确切地知道哪些方面的算法,将对演讲。深入学习,他说,这些算法的准确性已经超过了90%。
以前,程序员用深度学习与医学成像的大脑,如核磁共振扫描。在研究中,许多这些方法同样accurate-usually准确率在90%以上。在2021年12月研究,程序员不仅成功地训练算法区分认知正常的人的大脑和阿尔茨海默氏症,但也与轻度认知障碍之间,在许多情况下,早期阿尔茨海默氏症的前兆,更类似于大脑的健康的人或更多类似阿尔茨海默氏症。区分这些亚型尤其重要,因为不是每个人都患有轻度认知障碍继续开发阿尔茨海默氏症。
“我们想要分层的方法个人沿着阿尔茨海默氏症,”说伊兰达扬的放射学助理教授北卡罗莱纳大学教堂山分校和一个2021年的研究》一书的作者。“这些都是那些有可能发展为阿尔茨海默病。”
尽早识别这些患者,达扬说,可能会有效地治疗他们的疾病的关键。他还说,一般来说,scan-based深度学习有同样疗效率高,至少在分类在实验室里研究。这些技术是否会在现实世界中一样有效还不太清楚,他说,尽管他们仍然可能会工作得很好。他说需要更多的研究来确定。
达扬说,担忧的另一个原因潜在的偏见,最近的研究表明,人工智能可以港如果没有足够的各种数据的算法是训练有素的。例如,Rudzicz说可能一个算法使用语音训练样本在多伦多人不会工作在农村地区。奥康奈尔表示算法,金丝雀演讲分析nonlanguage元素的言论,和他们版本的技术使用在其他国家,就像日本和中国大陆一样,使用数据从本地语言训练。
“我们验证模型和训练系统,在这种环境下,对性能,”他说。
尽管金丝雀的与Syntiant可能使远程合作,实时监控成为可能,奥康奈尔个人认为正式的诊断应该来自一个医生,这种技术作为另一种诊断工具。达扬表示同意。
“人工智能,在未来几年,我希望能协助医生,但绝对不是取代他们,”他说。
