L’intelligence artificielle (IA) qui alimente le programme ChatGPT pourrait éventuellement aider les professionnels de la santé à détecter la maladie d’Alzheimer à ses premiers stades. ChatGPT a fait l’objet d’une grande attention pour sa capacité à générer des réponses écrites semblables à celles des humains.
La nouvelle recherche provient de l’école d’ingénierie biomédicale, des sciences et des systèmes de santé de l’université Drexel. Elle a démontré que le programme GPT-3 d’OpenAI peut identifier des indices à partir de la parole spontanée qui sont précis à 80 % pour prédire les premiers stades de la démence.
Cette recherche a été publiée dans la revue PLOS Digital Health.
Utilisation des programmes de diagnostic du langage
Pour beaucoup, le défi du diagnostic de la maladie d’Alzheimer réside dans l’absence d’un test unique, mais de nouvelles recherches donnent de l’espoir aux thérapeutes en présentant des programmes de diagnostic du langage qui offrent un moyen efficace de dépister rapidement les symptômes associés à la démence – de l’hésitation dans la parole et la difficulté à s’exprimer correctement à l’oubli de mots ou de leur signification. De tels tests pourraient rendre le diagnostic précoce plus simple que jamais.
Hualou Liang, docteur en philosophie, est professeur à l’école d’ingénierie biomédicale, des sciences et des systèmes de santé de Drexel et coauteur de la recherche.
« Nous savons, grâce aux recherches en cours, que les effets cognitifs de la maladie d’Alzheimer peuvent se manifester dans la production du langage », a déclaré Liang. « Les tests les plus couramment utilisés pour la détection précoce de la maladie d’Alzheimer examinent les caractéristiques acoustiques, telles que les pauses, l’articulation et la qualité vocale, en plus des tests d’état. Mais nous pensons que l’amélioration des programmes de traitement du langage naturel offre une autre voie pour soutenir l’identification précoce de la maladie d’Alzheimer. »
GPT-3 d’OpenAI
GPT-3, la troisième itération d’OpenAI de son transformateur général préformé (GPT), a exploité la puissance de l’apprentissage profond pour révolutionner les tâches linguistiques. Grâce à cet algorithme entraîné sur un large éventail de données provenant de sources en ligne qui mettent en évidence la façon dont les mots sont utilisés et s’assemblent, GPT-3 produit des réponses comparables à celles créées par des humains – qu’il s’agisse de répondre à des questions ou de créer des poèmes ou des essais.
Felix Agbavor est un chercheur doctoral et l’auteur principal de l’article.
« L’approche systémique de GPT3 en matière d’analyse et de production du langage en fait un candidat prometteur pour l’identification des caractéristiques subtiles du discours qui peuvent prédire l’apparition de la démence », a déclaré Agbavor. « L’entraînement de GPT-3 avec un ensemble massif de données d’entretiens – dont certains avec des patients atteints d’Alzheimer – lui fournirait les informations dont il a besoin pour extraire des modèles de discours qui pourraient ensuite être appliqués pour identifier des marqueurs chez les futurs patients. »
Les chercheurs ont testé leur théorie en entraînant le programme avec un ensemble de transcriptions provenant d’une partie d’un ensemble de données d’enregistrements vocaux créé avec le soutien des National Institutes of Health. Ces transcriptions étaient spécifiquement destinées à tester la capacité des programmes de traitement du langage naturel (NLP) à prédire la démence.
Le programme a saisi certaines caractéristiques de l’utilisation des mots, de la structure des phrases et du sens du texte, ce qui l’a aidé à produire un » encastrement « , c’est-à-dire un profil caractéristique du discours d’Alzheimer.
Création d’une machine à dépister la maladie d’Alzheimer
L’équipe a ensuite réentraîné le programme avec l’incorporation, ce qui l’a transformé en une machine de dépistage de la maladie d’Alzheimer. Le programme a été testé en examinant des dizaines de transcriptions de l’ensemble de données afin de déterminer si chacune d’entre elles provenait ou non d’une personne atteinte de la maladie d’Alzheimer.
Le groupe a constaté que GPT-3 était plus performant que deux autres programmes NLP de premier plan en termes d’identification précise d’exemples d’Alzheimer, d’identification d’exemples non liés à la maladie d’Alzheimer et de réduction des cas manqués.
Un deuxième test utilise l’analyse textuelle de GPT-3 pour prédire le score de divers patients de l’ensemble de données à un test commun permettant de prédire la gravité de la démence. Ce test commun s’appelle le Mini-Mental State Exam (MMSE).
La précision de prédiction de GPT-3 a été comparée à celle d’une analyse utilisant uniquement les caractéristiques acoustiques des enregistrements, qui comprennent les pauses, la force de la voix et les liaisons, pour prédire le score MMSE. Le GPT-3 a permis de prédire avec une précision accrue d’environ 20 % les scores MMSE des patients.
« Nos résultats démontrent que l’incorporation de texte, générée par GPT-3, peut être utilisée de manière fiable non seulement pour détecter les personnes atteintes de la maladie d’Alzheimer par rapport aux témoins sains, mais aussi pour déduire le score des tests cognitifs du sujet, tous deux basés uniquement sur les données vocales », note l’équipe.
« Nous montrons en outre que l’intégration du texte surpasse l’approche conventionnelle basée sur les caractéristiques acoustiques et qu’elle est même compétitive avec des modèles finement ajustés. L’ensemble de ces résultats suggère que l’intégration de texte basée sur le GPT-3 est une approche prometteuse pour l’évaluation de la MA et qu’elle a le potentiel d’améliorer le diagnostic précoce de la démence. »
Les chercheurs prévoient maintenant de développer une application web qui pourra être utilisée à domicile ou dans un cabinet médical comme outil de présélection.
« Notre preuve de concept montre que cela pourrait être un outil simple, accessible et suffisamment sensible pour un dépistage communautaire », a déclaré Liang. « Cela pourrait être très utile pour le dépistage précoce et l’évaluation des risques avant un diagnostic clinique ».
