阿尔茨海默病是出了名的难以诊断。通常，医生会结合认知测试、脑成像和行为观察来诊断，这些方法既昂贵又耗时。但如果在患者家中轻松采集一段简短的语音样本，就能帮助识别阿尔茨海默病患者呢？
一家名为Canary Speech的公司正在开发实现这一目标的技术。利用深度学习，其算法可分析短时语音样本中阿尔茨海默病及其他疾病的迹象。深度学习提供商Syntiant近日宣布与Canary Speech合作，使Canary能够将主要用于医生办公室和医院的技术，通过医疗设备带入患者家中。尽管一些研究发现，在实验室环境中，使用语音及其他数据的深度学习技术在区分阿尔茨海默病患者和其他疾病方面非常准确，但在现实世界中结果可能有所不同。尽管如此，人工智能和深度学习技术仍可能成为辅助诊断的工具。
大多数人认为阿尔茨海默病（最常见的痴呆症）主要影响记忆力。但有研究表明，阿尔茨海默病甚至在疾病最早期、大多数症状出现之前就能影响言语和语言能力。虽然人们通常无法察觉这些微妙影响，但一个基于数万名患者（包括患病和未患病者）语音训练的深度学习模型，或许能够区分这些差异。
Canary Speech首席执行官兼联合创始人Henry O’Connell说：“我们感兴趣的是，中枢神经系统通过言语传递了什么信息。Canary Speech所做的就是分析这些数据。”
O’Connell表示，此前该算法基于云端，但Canary与Syntiant的合作使芯片级应用成为可能，速度更快、内存和存储容量更大。这项新技术被设计集成到可穿戴设备中，能在不到一秒钟内分析20至30秒的语音样本，以检测阿尔茨海默病、焦虑、抑郁，甚至总体精力水平。O’Connell称，Canary系统区分阿尔茨海默病患者与非患者语音的准确率约为92.5%。有研究表明，抑郁和焦虑等疾病也会影响言语，O’Connell说Canary正在测试并提高检测这些疾病算法的准确性。
多伦多大学计算机科学副教授、Winterlight Labs联合创始人Frank Rudzicz表示，其他基于语音的技术也取得了类似成功。在2016年的一项研究中，Rudzicz与其他研究者使用简单的机器学习方法分析阿尔茨海默病患者和非患者的语音，准确率约为81%。
Rudzicz说：“使用深度学习，只需将原始数据输入深度神经网络，网络会自动产生其内部表征。”和所有深度学习算法一样，这会产生一个“黑箱”，即无法确切知道算法关注的是语音的哪些方面。他说，借助深度学习，这些算法的准确率已提升至90%以上。
此前，程序员曾将深度学习与脑部医学影像（如核磁共振扫描）结合使用。在研究中，许多这类方法的准确率都相似，通常超过90%。在2021年12月的一项研究中，程序员成功训练出一种算法，不仅能区分认知正常和阿尔茨海默病患者的脑部，还能区分轻度认知障碍（在很多情况下是阿尔茨海默病早期前兆）患者中脑部更接近健康人或更接近阿尔茨海默病患者的亚型。区分这些亚型尤其重要，因为并非所有轻度认知障碍患者都会发展为阿尔茨海默病。
北卡罗来纳大学教堂山分校放射学助理教授、2021年研究的作者Eran Dayan说：“我们希望有一种方法能在阿尔茨海默病连续谱上对个体进行分层。这些患者很可能会发展为阿尔茨海默病。”
Dayan说，尽早识别这些患者对有效治疗他们的疾病至关重要。他还表示，总的来说，基于扫描的深度学习在实验室分类研究中同样具有很高的有效率。他说，这些技术在现实世界中是否同样有效尚不清楚，不过仍然可能效果不错。他补充说，还需要更多研究才能确定。
Dayan说，另一个令人担忧的原因是潜在的偏差。最近的研究表明，如果算法训练数据缺乏多样性，人工智能可能会产生偏差。例如，Rudzicz说，使用多伦多人语音样本训练的算法可能在农村地区效果不佳。O’Connell表示，Canary Speech的算法分析的是非语言要素，并且他们有针对其他国家的技术版本，比如日本和中国，这些版本使用母语者的数据进行训练。
他说：“我们在该系统中对该环境下的模型进行验证和训练，以确保性能。”
尽管Canary与Syntiant的合作可能使远程实时监测成为可能，但O’Connell个人认为，正式诊断应由医生做出，这项技术只是提供辅助工具。Dayan对此表示赞同。
他说：“我希望在未来几年里，人工智能能帮助医生，但绝不会取代他们。”
【全文结束】