Автор: 
Болезнь Альцгеймера – это тяжёлое нейродегенеративное заболевание, встречающееся преимущественно в пожилом возрасте. Наиболее перспективной для терапевтического лечения и корректировки образа жизни больного является доклиническая стадия, когда содержание амилоидных бляшек и нейрофибриллярных клубков в головном мозге ещё не приводит к необратимым повреждениям. В настоящее время многие исследования направлены на выявление когнитивных нарушений в продромальном периоде болезни Альцгеймера. В этой статье представлены три новой методики ранней диагностики болезни Альцгеймера с помощью искусственного интеллекта.
Анализ речи на основе технологии обработки естественного языка (NLP)
В первом исследовании учёные из Юго-Западного медицинского центра Техасского университета использовали инструменты машинного обучения, чтобы выявить малозаметные лингвистические и акустические нарушения речи. Особенности речи, выходящие за рамки структуры предложений, количество слов и грамматических особенностей могут свидетельствовать о наличии когнитивных нарушений. С помощью машинного обучения на основе технологии NLP учёные выявили такие признаки из голосовых аудиозаписей и далее преобразовали в цифровые биомаркеры болезни Альцгеймера.
Всего в исследовании приняло участие 206 человек, 114 из которых имели когнитивные отклонения. При сравнении с нейропсихологическими, нейровизуализационными данными и показателями анализов спинномозговой жидкости учёные выяснили, что биомаркеры цифрового голоса способны распознавать когнитивные нарушения с высокой точностью, а также определять статус амилоидных бляшек и ход прогрессирования заболевания. Подробное исследование опубликовано в журнале Alzheimer’s & Dementia: Diagnosis, Assessment and Disease Monitoring.
Технология автоматического распознавания речи (ASR) для мобильного приложения
Данное исследование также направлено на диагностику когнитивных нарушений на основе речевых особенностей человека. Учёные из университета Цукубы представили разработку специального приложения для анализа речи. В основу приложения легла технология автоматического распознавания речи (ASR) и машинное обучение для выявления и классификации признаков отклонений когнитивных функций.
Для обучения использовались аудиозаписи, на которых 114 участников отвечали на пять вопросов. Далее с помощью ASR-технологии Speech-to-Text были получены речевые данные, характеризующие акустические, просодические и лингвистические аспекты. Учёные исследовали связь между речевыми особенностями и клинико-диагностическими материалами больных Альцгеймером, имеющих когнитивные нарушения, и здоровых людей. Точность совпадений достигла 78 процентов. На основе этой разработки учёные планируют создать мобильное приложение для самостоятельной диагностики когнитивных отклонений. Подробное исследование опубликовано в журнале Computer Speech & Language.
Нейросеть для определения величины энтропии в энцефалограммах головного мозга
В третьем исследовании представлена концепция искусственного интеллекта NNetEn (энтропия на нейронной сети), которая может с высокой точностью определять величину беспорядочности. Учёные из Петрозаводского государственного университета совместно зарубежными коллегами проверили нейронную сеть на энцефалограммах людей с болезнью Альцгеймера.
Ранее в самых распространенных методах расчёта информационной энтропии применялась формула Шеннона, но её точности было недостаточно. NNetEn имеет свойства нейросети с прямой связью и не принимает во внимание функции распределения вероятностей. Также алгоритм NNetEn устойчив к шуму и превосходит классические способы измерения беспорядочности. Для повышения восприимчивости было совмещено несколько типов энтропий с разными значениями: примерная (SampEn), приблизительная (ApEn), перестановочная (PermEn) и нечёткая (FuzzyEn).
Проверка работы нейронной сети осуществлялась анализом электроэнцефалограмм 88 человек: 36 – с болезнью Альцгеймера, 23 – имеющих признаки деменции и 29 – без когнитивных нарушений. Поскольку показатели энтропии при болезни Альцгеймера меняются, NNetEn должна была определить и классифицировать больных по энцефалограммам. Точность составила более 70 процентов. Подробное исследование опубликовано в журнале Algorithms.
