ChatGPT kann die Alzheimer-Krankheit mit einer Genauigkeit von 80 % identifizieren

ChatGPT hat mit seinen leistungsstarken Funktionen kürzlich das Internet im Sturm erobert. Es ist einfach, juristische Verträge zu entwerfen und Romane zu schreiben, und es kann Ihnen sogar beim Programmieren helfen.

Aber es scheinen Menschen zu sein, die KI testen. Kann ChatGPT wiederum einige nützliche Informationen aus Gesprächen mit Menschen erhalten?

Aber es stellt sich heraus, dass die Technologie von ChatGPT tatsächlich dazu beitragen kann, frühe Symptome der Alzheimer-Krankheit zu erkennen.

Alzheimer-Krankheit ist allgemein als „Demenz“ bekannt. Eines der häufigsten und offensichtlichsten Symptome dieser Krankheit sind Sprachprobleme, wie zum Beispiel Grammatikfehler, Pausen, Wiederholungen oder das Vergessen der Bedeutung von Wörtern Eine Studie der Universität ergab, dass ChatGPT durch Gespräche mit Menschen herausfinden kann, ob solche Symptome vorliegen, und so frühzeitig auf das Krankheitsrisiko hinweisen kann.

Papieradresse:

https://journals.plos.org/digitalhealth/article?id=10.1371/journal.pdig.0000168

Entdecken Sie die frühe Alzheimer-Krankheit mithilfe der ChatGPT-Krankheit, mit einem Genauigkeitsrate von 80 %

Die Früherkennung der Alzheimer-Krankheit kann die Behandlungsmöglichkeiten erheblich verbessern und Patienten Zeit geben, ihren Lebensstil zu ändern, wodurch das Fortschreiten der Krankheit verlangsamt wird. Die Diagnose der Krankheit erfordert häufig eine Bildgebung des Gehirns oder langwierige kognitive Beurteilungen. Diese können jedoch teuer und zeitaufwändig sein und sind daher für ein umfassendes Screening ungeeignet.

Automatische Sprachanalyse ist mit zunehmender Beliebtheit der KI-Technologie eine vielversprechende Möglichkeit, die Alzheimer-Krankheit frühzeitig zu erkennen, sagte Liang, Professor für Biomedizintechnik an der Drexel University in Philadelphia. Eines der häufigsten und offensichtlichsten Symptome seien Sprachprobleme B. Grammatikfehler, Pausen, Wiederholungen oder das Vergessen der Bedeutung von Wörtern, was zu einem wachsenden Interesse daran geführt hat, maschinelles Lernen einzusetzen, um frühe Anzeichen der Krankheit in der Art und Weise zu erkennen, wie Menschen sprechen.

„Unsere Hoffnung ist, dass wir maschinelles Lernen nutzen können, um diese Signale zu erfassen und so frühzeitige Diagnosen zu stellen.“

Normalerweise basiert diese Technik auf speziell entwickelten Modellen, aber Liang und seine Kollegen wollten um zu sehen, ob sie die Technologie hinter ChatGPT – dem großen Sprachmodell GPT-3 von OpenAI – umfunktionieren könnten, um Anzeichen von Alzheimer zu erkennen.

Sie fanden heraus, dass ChatGPT tatsächlich mit einer Genauigkeit von 80 % zwischen Sprachaufzeichnungen von Alzheimer-Patienten und gesunden Freiwilligen unterscheiden konnte.

„Große Sprachmodelle wie GPT-3 sind sehr leistungsfähig und können diese subtilen Unterschiede erkennen“, sagte Liang. „Wenn ein Proband ein Problem mit der Alzheimer-Krankheit hat, das sich bereits in der Sprache widerspiegelt, hoffen wir, diese Signale mithilfe maschinellen Lernens erfassen zu können, damit wir eine frühe Diagnose stellen können.“ Die Forscher testeten 237 Aufnahmen von gesunden Freiwilligen und Alzheimer-Patienten, die mithilfe eines vorab trainierten Spracherkennungsmodells in Text umgewandelt wurden. Um die Hilfe von GPT-3 zu erhalten, machten sich die Forscher eine seiner weniger bekannten Fähigkeiten zunutze. Seine API ermöglicht es, einen Textabschnitt in ein Modell einzuspeisen und das Modell eine „Einbettung“ auszugeben – eine numerische Darstellung eines Textabschnitts, die seine Bedeutung kodiert und zur Bewertung seiner Ähnlichkeit mit anderen Texten verwendet werden kann.

Obwohl sich die meisten Modelle des maschinellen Lernens mit „Einbettungen“ befassen, ist eine neue Funktion von GPT-3, dass es leistungsstark genug ist, um „Einbettungen“ für ganze Absätze zu generieren. Und aufgrund der schieren Größe des Modells und der riesigen Datenmengen, die zu seinem Training verwendet werden, ist es in der Lage, sehr umfangreiche Textdarstellungen zu erstellen.

Die Forscher nutzten diese Fähigkeit, um „Einbettungen“ für alle Transkripte von Alzheimer-Patienten und gesunden Personen zu erstellen. Anschließend wählten sie diese „Einbettungen“ aus, kombinierten sie mit Beschriftungen, um anzugeben, aus welcher Gruppe sie stammten, und trainierten damit einen Klassifikator für maschinelles Lernen, um zwischen den beiden Gruppen zu unterscheiden.

Feinabstimmung verringert tatsächlich die Genauigkeit, und es gibt in Zukunft noch viel zu tun

Laut einem Artikel in der Zeitschrift „PLOS · Digital Health“ ist das Beste, wenn es an unsichtbaren Transkripten getestet wird Ein guter Klassifikator erreichte eine Genauigkeit von 80,3 %.

Das ist deutlich besser als das Ergebnis von 74,6 %, das die Forscher mit einem traditionelleren Ansatz für Sprachdaten erzielten, der auf akustischen Merkmalen beruhte, die von Experten sorgfältig identifiziert werden mussten. Sie verglichen ihre Technik auch mit mehreren hochmodernen Methoden des maschinellen Lernens, die große Sprachmodelle verwenden und den zusätzlichen Schritt der Feinabstimmung des Modells mithilfe von aus den Trainingsdaten gewonnenem Text beinhalten.

Interessanterweise sank die Leistung von GPT-3 tatsächlich, als die Forscher eine Feinabstimmung versuchten. Dies mag kontraintuitiv erscheinen, aber Liang weist darauf hin, dass dies an einer Größeninkongruenz zwischen den großen Datenmengen, die zum Training von GPT-3 verwendet werden, und der geringen Menge an domänenspezifischen Trainingsdaten, die für die Feinabstimmung zur Verfügung stehen, liegen könnte.

Frank Rudzicz, außerordentlicher Professor für Informatik an der University of Toronto, sagte, dass das Forschungsteam zwar Ergebnisse auf dem neuesten Stand der Technik erzielt habe, die Verwendung privater Modelle für solche Forschungen jedoch einige Probleme mit sich bringe.

Er sagte: „Diese geschlossenen APIs sind teilweise eingeschränkt, weil wir die interne Struktur dieser Modelle nicht untersuchen oder tiefgreifend ändern oder eine umfassendere Reihe von Experimenten durchführen können, um zu klären, was wir potenzielle Quellen vermeiden oder korrigieren müssen.“

Liang ist auch offen für die Grenzen dieses Ansatzes. Das Modell sei bei weitem nicht genau genug, um Alzheimer richtig zu diagnostizieren, sagte er, und jeder reale Einsatz der Technologie würde als erster Screening-Schritt dienen, um Menschen für eine umfassende medizinische Beurteilung an Experten zu verweisen. Wie bei vielen KI-basierten Methoden kann es schwierig sein, genau zu wissen, was ein Modell erkennt, wenn es die Alzheimer-Krankheit erkennt, was für das medizinische Personal ein Problem darstellen kann. „Ärzte werden Sie natürlich fragen, warum Sie diese Ergebnisse erhalten haben“, sagte Liang. „Sie wollen wissen, welche Funktionen wirklich wichtig sind.“

Dennoch glaubt Liang, dass dieser Ansatz vielversprechend ist, und er und seine Kollegen planen, eine App zu entwickeln, die zu Hause oder in der Arztpraxis verwendet werden kann Vereinfachen Sie das Krankheitsscreening.

Verwandte Berichte:

https://spectrum.ieee.org/gpt-3-ai-chat-alzheimers

https://journals.plos.org/digitalhealth/article?id=10.1371/journal. pdig.0000168

Das obige ist der detaillierte Inhalt vonChatGPT kann die Alzheimer-Krankheit mit einer Genauigkeit von 80 % identifizieren. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!