2023注定会成为人工智能飞速提升应用的一年，因为开年之初，一种新的智能聊天机器人ChatGPT迅速火爆全网，在3个月内用户数已经突破1亿，创出了app的人数增长的新纪录。
ChatGPT能和你聊天，回答问题，帮助你写文章，还能够编写代码，还能够根据要求进行AI绘图，比起原本的搜索引擎提供的内容来说，这种新的人工智能应用，进一步的替人们将信息整合，甚至是在某些情况下替人们代劳，至少也可以提供思路和大纲，为很多人带来了一种新的便利工具。
但ChatGPT的作用却并不仅限于此，近期发表在PLOS数字健康杂志上的一项研究显示，ChatGPT可能还有助于帮助识别预测早期的阿尔兹海默症。
在这项新发表的研究中发现，人工智能驱动聊天机器人程序ChatGPT可能会有朝一日帮助医生在早期阶段检测到阿尔茨海默氏症。使用OpenAI的GPT-3的研究表明，它可以以80%的准确率识别自发性语音的线索，预测痴呆症的早期阶段。
阿尔茨海默氏症（AD）是一种神经退行性疾病，涉及渐进性认知衰退，包括语言和语言障碍。这是痴呆症最常见的病因，影响60-80%的病例。鉴于痴呆症的流行率和阿尔兹海默症治疗仍然没有治愈方法，早期诊断痴呆症就显得尤为重要，这将为改善痴呆症患者的生活质量带来明显的好处。
目前的AD诊断仍然主要通过大脑成像或认知测试等临床评估进行，例如，用于评估AD进展的迷你精神状态检查（MMSE）。然而，这些检查通常很昂贵，而且需要长时间的医疗评估。根据世界卫生组织的估计，在全球范围内，阿尔茨海默氏症病例只有48%的成功检测。高收入国家实现了54%的诊断率，而中低收入国家仅确定了24%的阿尔茨海默氏症病例。
之前的研究表明，自发性言语在AD中包含有价值的临床信息。使用语音作为生物标志物可以快速、廉价、准确和非侵入性地诊断AD和临床筛查。以前的语音分析工作主要基于基于特征的方法，使用从语音音频中提取的声学特征，以及通过NLP技术从书面文本或语音记录中导出的语言特征。
越来越多的研究人员将声音视为生物标志物，这是一种检测包括阿尔茨海默氏症在内的各种疾病的方法。
该领域的研究人员希望通过开发一种可以早期检测阿尔茨海默氏症的工具来缩小这一差距因为这种影响可能太微妙，医生无法注意到。Rudzicz共同创立了一个名为Winterlight的语音分析移动应用程序，他说：“阿尔茨海默氏症目前还没有治愈方法，但有一些生活变化可以推迟其一些影响，因此早期诊断仍然很重要。这些技术也可以应用于其他疾病，包括帕金森氏症、抑郁症等。”
医生最终可以使用设备或计算机程序来测试患者在办公室的认知能力。然后，脑部扫描或其他临床测试可以确认阿尔茨海默氏症的诊断。
另一个应用程序可能会使用Alexa和Siri等智能设备来监控您的常规对话（经您同意），并在发现任何令人担忧的单词失误时提醒您。它甚至可以检测到其他心理问题，如抑郁和压力。
在此次发表的新研究中，研究人员使用驱动ChatGPT的语言模型GPT-3来分析人们在痴呆症标准测试中描述图片的音频剪辑，结果发现，患有阿尔茨海默症的患者经常重复自己，在描述时偏离了图片的内容，经常在没有完成思考时进行描述，并经常模糊地将物体称为“东西”或“某物”。
研究作者、德雷克塞尔生物医学工程教授梁华楼说：“GPT-3能够捕捉到文本中反映的如此微妙的差异。”
该软件分析了健康成年人和阿尔茨海默氏症患者10秒录音中转录的文本（通过软件）。通过本文对GPT-3模型进行训练，以识别正在经历认知衰退人群的常规语言和认知健康人群的正常言语之间的微妙差异。
GPT-3机器学习模型通过将单词转换为称为“嵌入”的数学表示来理解文本段落。嵌入是一种多维信号，允许人工智能识别即使是经验丰富的医生也听不到的微妙差异和相似之处。GPT-3通过测量嵌入的这些信号之间的差异，来比较语音输入的细微变化。
由于GPT-3只分析书面文本，因此该过程绕过了暂停和其他口语中非单词的声音。在这种情况下，事实证明这是一个优势：GPT-3分析的表现优于其他实验室开发的一些包括这些声音的机器学习模型。
研究者指出：“一旦系统完全运行，就可以以保护隐私的方式进行分析。因此，它可以对缓解老年人社区的痴呆症问题产生直接和重大的影响。”
在研究中，作者指出，鉴于ChatGPT令人印象深刻的性能，在这项工作中探索了GPT-3利用模型中编码的大量语义知识来预测语音痴呆症的能力。结果表明，GPT-3生成的文本嵌入不仅可以可靠地用于从健康对照组中检测AD患者，还可以仅根据语音数据推断受试者的认知测试分数。我们的研究进一步表明，文本嵌入的表现优于传统的基于声学特征的方法，甚至与微调模型具有竞争力。这些结果加在一起表明，基于GPT-3的文本嵌入是AD评估的一种有希望的方法，并有可能改善痴呆症的早期诊断。
当然这种方法正处于探索研究阶段，需要解决的调整也有很多，尽管开发和翻译完全可部署的人工智能驱动的语音分析，对于早期诊断痴呆症和根据个人需求进行直接定制的干预措施方面具有巨大潜力。尽管有希望，但主要挑战在于数据质量（不一致和不稳定）、数据数量（数据有限）和多样性。为了使任何模型正常工作，我们需要有一套非常大、多样化和强大的数据。利用人工智能随着神经成像、语音和语言、行为生物标志物以及电子病历上的患者信息等大规模多模式数据的日益发展，将有助于缓解数据问题，并允许更准确、更高效和更早期的诊断。
参考文献：
Agbavor F, Liang H (2022) Predicting dementia from spontaneous speech using large language models. PLOS Digit Health 1(12): e0000168.
举报/反馈
