来自苏黎世大学心理学系和计算语言学系的研究人员展示了一项具有变革潜力的研究，该研究通过自发言语分析，利用GPT-4检测阿尔茨海默病（AD）。随着AD成为一项重要的公共卫生问题，亟需经济高效且可扩展的诊断解决方案。这项研究整合了GPT-4的能力，以识别与AD相关的五种语义特征：找词困难、词汇贫乏、句法简化、语义错语和话语障碍。这些特征与已建立的语言指标和随机森林分类器相结合，实现了更高的检测准确性，为早期干预和改善患者护理铺平了道路。
利用转录本和音频中的语言见解
研究人员使用备受推崇的ADReSS数据集，该数据集包括参与者描述“偷窃饼干图”的音频记录和转录本，创建了一个强大的自发言语分析框架。该数据集以其平衡的人口统计和高质量的手动转录而闻名，经过预处理以隔离参与者的话语并去除无关注释。为了确保可扩展性，团队在其系统上测试了手动转录的数据和自动生成的转录本，利用最先进的自动语音识别（ASR）模型如Whisper和Google Speech。尽管Whisper和Google Speech表现出相似的词错误率，但Google Speech始终提供了更适合AD分类的转录本，可能是因为其对识别AD相关言语特征至关重要的语言细微差别的最小平滑化。
利用GPT-4的独特能力识别复杂特征
引入GPT派生的特征标志着在检测与AD相关的高级别言语模式方面取得了突破。GPT-4识别的五种语义特征涵盖了难以用传统方法量化的认知和语言缺陷。例如，找词困难是通过Likert量表评估的，并由说明性的转录摘录支持，提供了详细的评分理由。GPT-4的评估与人类专家的评估高度一致，这从其输出与人类评分之间的强相关性中得到证实。该模型在与临床测量的一致性方面表现尤为突出，有效地反映了专家判断在识别言语障碍方面的准确性。诸如话语障碍和语义错语等特征突显了GPT-4分析叙述连贯性和语义错误的能力，这是AD的重要标志。这些特征的可解释性不仅使其具有诊断价值，而且便于临床医生理解和应用，增强了医疗环境中的信任和适用性。
结合传统和AI驱动的特征以提高精度
研究表明，将GPT派生的特征与传统的语言指标结合使用可以产生最佳的分类结果。已建立的语言特征如词长、型符比和句法结构提供了坚实的基础，而GPT派生的特征则增加了语义和话语层面的新维度。这种混合系统显著优于单一方法，在最重要的六个分类特征中有五个源自GPT-4。值得注意的是，话语障碍、受损词汇和找词困难成为区分AD患者和健康个体的关键因素。组合模型在多种条件下表现出稳健性，包括手动和ASR生成的转录本，进一步证明了其适用于大规模应用的价值。
利用AI驱动的见解改变诊断实践
这项研究的影响不仅限于分类准确性。GPT派生的特征不仅提高了诊断精度，还增强了可解释性，这是获得临床接受的关键因素。通过为每个特征的评分提供透明的理由，GPT-4弥合了复杂AI模型与医疗保健专业人士的实际需求之间的差距。这与欧盟的《AI法案》相一致，该法案强调医疗AI应用中的可解释性。此外，该系统的可扩展性和成本效益使其适合流行病学研究和实时临床诊断，提供了一种低成本的全球规模的早期AD筛查解决方案。
尽管取得了这些进展，研究人员承认研究的局限性，包括相对较小和同质的数据集，这可能无法完全代表更广泛人群的多样化语言模式。此外，依赖GPT-4这一专有技术引发了关于可访问性、经济影响和伦理考虑的问题。未来的研究方向包括探索开源替代方案和纳入多模态数据（如音频和视觉输入），以创建更全面的诊断工具。多模态模型有望捕捉到AD的副语言标记，从而补充GPT-4提供的语言见解。
该研究标志着利用AI进行医疗诊断，特别是在神经退行性疾病检测方面迈出了重要一步。通过成功量化传统方法常常忽略的复杂言语模式，GPT-4为AD筛查提供了一个可扩展且可解释的解决方案。研究人员的创新方法不仅展示了先进语言模型在医疗保健领域的潜力，也强调了将技术创新与临床适用性相结合的重要性。随着进一步的发展，这项技术有可能改变诊断实践，使数百万受阿尔茨海默病影响的个体能够更早地进行干预，改善他们的生活质量。
(全文结束)
