Афазия — это нарушение речи, вызванное повреждением головного мозга, часто возникающее после инсульта. У пострадавших возникают трудности с речью, пониманием, чтением или письмом. Афазия проявляется у каждого человека по-разному, несмотря на наличие распознаваемых паттернов нарушения речи, связанных с конкретными локализациями поражения мозга.
В клинической практике афазию обычно диагностируют с помощью стандартизированных языковых тестов. Эти процедуры доказали свою эффективность, но они требуют много времени и сильно зависят от опыта специалистов. Это связано с тем, что образцы речи должны быть прослушаны, транскрибированы и контекстуализированы экспертами.
Учитывая рост числа случаев и ограниченность человеческих ресурсов, это создает растущую проблему для повседневной клинической практики. Автоматизированные подходы могут обеспечить здесь целенаправленную помощь, не заменяя при этом профессиональные решения.
Даже мощные, обученные на общих данных речевые ИИ-модели быстро достигают своих пределов, если они специально не подготовлены к особенностям афазической речи. Именно здесь на помощь приходит исследование с участием audEERING. Оно было разработано в рамках консорциума autoAAT, финансируемого BMBF (ныне BMFTR), и исследует, как ИИ-модели могут автоматически анализировать афазическую речь и оказывать клиническую поддержку. Исследование основано на ретроспективно оцененных речевых данных из рутинной клинической практики, которые собирались в течение нескольких лет в рамках Ахенского теста на афазию (AAT), стандартной диагностической процедуры в немецкоговорящих странах (источник: Huber, W., Poeck, K., Willmes, K.: The aachen aphasia test. In: Rose, C. (ed.) Advances in Neurology vol. 42, pp. 291–303. Raven Press, New York (1984)).
ИИ-модели, обученные на данных об афазии, показывают лучшие результаты
Результаты показывают, что ИИ-модели демонстрируют значительно лучшие результаты, когда они специально подготовлены с использованием данных об афазии (адаптация к домену) и анализируют ответы не изолированно, а в контексте «вопрос-ответ». В исследовании изучается, достигает ли модель лучших результатов, когда она знает не только ответ, но и соответствующий вопрос. Это особенно актуально, поскольку короткие или неполные ответы при афазии могут быть правильно классифицированы только в том случае, если известно, к чему они относятся.
Наиболее мощная модель достигает корреляции 0,66 (по шкале от 0 до 1) между автоматическим анализом и клинической оценкой. Результат показывает, что изменения в речевом статусе, зафиксированные специалистами в ходе теста, в большинстве случаев надежно воспроизводятся системой.
Результатом является система, которая позволяет осуществлять непрерывный мониторинг прогрессирования афазии и отходить от классификации афазических синдромов, которые, как правило, остаются стабильными с течением времени и поэтому дают лишь ограниченное представление о течении заболевания.
Надежная автоматическая оценка речевых симптомов также может помочь клиницистам оценивать прогресс восстановления, сравнивать результаты терапии и оптимизировать параметры лечения, такие как терапевтический подход, дозировка, частота и интенсивность, как в клиническом, так и в исследовательском контексте. В результате необходимо проведение многоцентрового исследования для дальнейшей оценки применимости нашей работы.
Я очень рад представить эти захватывающие результаты на Voice AI Symposium & Hackathon, который пройдет с 4 по 6 мая в Сент-Питерсберге, штат Флорида!
