Biomarcadores | JoVE Visualize

Área de la Ciencia:

Neurociencia; Inteligencia Artificial; Lingüística Computacional

Sus antecedentes:

El diagnóstico de la enfermedad de Alzheimer (EA) es fundamental, pero los métodos actuales son costosos e inaccesibles.
La detección cognitiva no invasiva carece de precisión debido a factores subjetivos y ambientales.
El análisis de biomarcadores del lenguaje ofrece una alternativa estable y conveniente para la detección de la EA.

Objetivo del estudio:

Desarrollar y validar un marco de IA multimodal para la detección temprana del deterioro cognitivo.
Aprovechar las representaciones de codificador bidireccional de transformadores (BERT) y otros modelos de aprendizaje automático para el análisis del habla y el texto.
Identificar biomarcadores clave del lenguaje y acústicos asociados con el declive cognitivo.

Principales métodos:

Se utilizó un enfoque sistemático para distinguir entre individuos con deterioro cognitivo y controles sanos.
Se extrajeron características semánticas de la prueba Shanghai Cognitive Screening (SCS) y características de audio utilizando BERT y OpenSMILE de 300 sujetos.
Se entrenó un modelo CNN para texto y cinco modelos (RF, XGBoost, etc.) para audio, fusionando los resultados mediante votación dura y evaluando la especificidad.

Principales resultados:

El marco multimodal logró una precisión del 91,80 % y una puntuación F1 del 91,85 %, superando significativamente la prueba MoCA-Basic (precisión del 77,17 %).
Los biomarcadores clave identificados incluyen un aumento del tiempo de pausa, cambios espectrales en las características acústicas y una reducción de la complejidad semántica en el texto.
El marco demostró una alta fiabilidad y validez en la distinción del deterioro cognitivo.

Conclusiones:

El marco multimodal propuesto proporciona un método altamente preciso, rentable y no invasivo para la detección temprana del deterioro cognitivo.
Los biomarcadores identificados ofrecen información sobre los déficits funcionales tempranos en el declive cognitivo.
Este enfoque avanza en la comprensión de la EA y facilita el desarrollo de herramientas de detección mejoradas.