时间：2024-10-10 15:16
第31个“世界阿尔茨海默病日”，今年的宣传主题是:即刻行动，点亮记忆之光。关注阿尔茨海默症，行动起来，欢迎大家点赞转发收藏，用爱点亮希望之光！
阿尔茨海默症（Alzheimer's Disease, AD）是一种逐渐发展的神经退行性疾病，常见于老年人，病理特征包括大脑中的β-淀粉样蛋白沉积和tau蛋白异常磷酸化，导致神经元死亡和大脑萎缩，主要临床表现为记忆力减退、认知功能下降和行为改变，最后进展导致严重的认知障碍、行为障碍，并极大降低患者生活自理能力，对患者老年生活造成重大影响。因此尽早诊断阿尔茨海默症并及时预防是一种有效的防治手段，
AD临床诊断方法通常采用临床量表评估、影像学检查和生物标志物检测等，但这些方法通常需要耗费大量时间和昂贵费用进行完整的医疗评估。有研究表明，自发性语音在AD中包含有价值的临床信息【1】。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。
ChatGPT 是由人工智能研究实验室 OpenAI 开发的一个大型语言模型。它基于 Transformer 架构，通过大量的文本数据训练，能够生成人类类似的文本回应，具备强大的自然语言理解和生成能力。
近期发表在PLOS数字健康杂志上的一项研究显示，ChatGPT可能还有助于识别预测早期的AD，识别准确率高达80%【2】。
图1概述了采用自发性语音作为预测阿尔茨海默病(AD)手段的两大技术途径。A. 通过语音捕获病理性言语行为的特征。B. 语言特征，通过文本嵌入技术进行编码，源自于语音转写的文本内容。该方法的创新点在于运用了基于GPT-3的文本嵌入技术，该技术生成富含意义的向量表示，能够有效地捕获与痴呆症分类紧密相关的词汇、句法及语义特征，从而提升分析的深度与准确性。
为了深入评估声学特征与GPT-3嵌入在声学表示上的差异，研究团队进行了性能度量分析，聚焦于受试者工作特征(ROC)曲线下的面积(AUC)。如图2所示，该分析纳入了基于最优声学模型的声学特征与ChatGPT文本嵌入（具体为Ada模型和Babbage模型）的随机森林分类器的ROC曲线对比。此外，通过实施10折交叉验证，研究提供了AUC的均值与标准差，明确指出ChatGPT文本嵌入方法在性能上超越了依赖传统声学特征的随机森林模型，，且在ChatGPT文本嵌入方法内部，Babbage模型表现出对Ada模型的轻微优势。为了进一步验证这些观察到的差异具有统计学意义，研究进行了Kruskal-Wallis H检验，其结果显示GPT-3嵌入与基于声学特征的随机森林模型之间存在显著性差异（H统计量=5.622，达到p<0.05的显著性水平）。这一发现强调了GPT-3嵌入作为一种新型声学特征表示方法的有效性和潜力。
目前这种方法仍处于科学研究探索阶段，随着科研人员不断投入，相信在不久之后ChatGPT等人工智能技术有望成为利用语音生物标志物进行早期诊断AD等痴呆症和个人定制干预措施方面的有力工具。
【1】Goodglass H, Kaplan E, Weintraub S. BDAE: The Boston Diagnostic Aphasia Examination. Third. Lippincott Williams & Wilkins Philadelphia, PA; 2001.
【2】Agbavor F, Liang H (2022) Predicting dementia from spontaneous speech using large language models. PLOS Digit Health 1(12): e0000168.