ChatGPT能和你谈天，回答问题，帮助你写文章，还能够编写代码，还能够根据哀求进行AI绘图，比起原来的搜索引擎供应的内容来说，这种新的人工智能运用，进一步的替人们将信息整合，乃至是在某些情形下替人们代劳，至少也可以供应思路和大纲，为很多人带来了一种新的便利工具。

但ChatGPT的浸染却并不仅限于此，近期揭橥在PLOS数字康健杂志上的一项研究显示，ChatGPT可能还有助于帮助识别预测早期的阿尔兹海默症。

在这项新揭橥的研究中创造，人工智能驱动谈天机器人程序ChatGPT可能会有朝一日帮助年夜夫在早期阶段检测到阿尔茨海默氏症。
利用OpenAI的GPT-3的研究表明，它可以以80%的准确率识别自发性语音的线索，预测痴呆症的早期阶段。

阿尔茨海默氏症（AD）是一种神经退行性疾病，涉及渐进性认知衰退，包括措辞和措辞障碍。
这是痴呆症最常见的病因，影响60-80%的病例。
鉴于痴呆症的盛行率和阿尔兹海默症治疗仍旧没有治愈方法，早期诊断痴呆症就显得尤为主要，这将为改进痴呆症患者的生活质量带来明显的好处。

目前的AD诊断仍旧紧张通过大脑成像或认知测试等临床评估进行，例如，用于评估AD进展的迷你精神状态检讨（MMSE）。
然而，这些检讨常日很昂贵，而且须要永劫光的医疗评估。
根据天下卫生组织的估计，在环球范围内，阿尔茨海默氏症病例只有48%的成功检测。
高收入国家实现了54%的诊断率，而中低收入国家仅确定了24%的阿尔茨海默氏症病例。

之前的研究表明，自发性言语在AD中包含有代价的临床信息。
利用语音作为生物标志物可以快速、廉价、准确和非侵入性地诊断AD和临床筛查。
以前的语音剖析事情紧张基于基于特色的方法，利用从语音音频中提取的声学特色，以及通过NLP技能从书面文本或语音记录中导出的措辞特色。

越来越多的研究职员将声音视为生物标志物，这是一种检测包括阿尔茨海默氏症在内的各种疾病的方法。

该领域的研究职员希望通过开拓一种可以早期检测阿尔茨海默氏症的工具来缩小这一差距——由于这种影响可能太奇妙，年夜夫无法把稳到。
Rudzicz共同创立了一个名为Winterlight的语音剖析移动运用程序，他说：“阿尔茨海默氏症目前还没有治愈方法，但有一些生活变革可以推迟其一些影响，因此早期诊断仍旧很主要。
这些技能也可以运用于其他疾病，包括帕金森氏症、烦闷症等。
”

年夜夫终极可以利用设备或打算机程序来测试患者在办公室的认知能力。
然后，脑部扫描或其他临床测试可以确认阿尔茨海默氏症的诊断。

另一个运用程序可能会利用Alexa和Siri等智能设备来监控您的常规对话（经您赞许），并在创造任何令人担忧的单词失落误时提醒您。
它乃至可以检测到其贰生理问题，如烦闷和压力。

在这次揭橥的新研究中，研究职员利用驱动ChatGPT的措辞模型GPT-3来剖析人们在痴呆症标准测试中描述图片的音频剪辑，结果创造，患有阿尔茨海默症的患者常常重复自己，在描述时偏离了图片的内容，常常在没有完成思考时进行描述，并常常模糊地将物体称为“东西”或“某物”。

研究作者、德雷克塞尔生物医学工程教授梁华楼说：“GPT-3能够捕捉到文本中反响的如此奇妙的差异。
”

该软件剖析了康健成年人和阿尔茨海默氏症患者10秒录音中转录的文本（通过软件）。
通过本文对GPT-3模型进行演习，以识别正在经历认知衰退人群的常规措辞和认知康健人群的正常言语之间的奇妙差异。

GPT-3机器学习模型通过将单词转换为称为“嵌入”的数学表示来理解文本段落。
嵌入是一种多维旗子暗记，许可儿工智能识别纵然是履历丰富的年夜夫也听不到的奇妙差异和相似之处。
GPT-3通过丈量嵌入的这些旗子暗记之间的差异，来比较语音输入的细微变革。

由于GPT-3只剖析书面文本，因此该过程绕过了停息和其他口语中非单词的声音。
在这种情形下，事实证明这是一个上风：GPT-3剖析的表现优于其他实验室开拓的一些包括这些声音的机器学习模型。

研究者指出：“一旦系统完备运行，就可以以保护隐私的办法进行剖析。
因此，它可以对缓解老年人社区的痴呆症问题产生直接和重大的影响。
”

在研究中，作者指出，鉴于ChatGPT令人印象深刻的性能，在这项事情中探索了GPT-3利用模型中编码的大量语义知识来预测语音痴呆症的能力。
结果表明，GPT-3天生的文本嵌入不仅可以可靠地用于从康健对照组中检测AD患者，还可以仅根据语音数据推断受试者的认知测试分数。
我们的研究进一步表明，文本嵌入的表现优于传统的基于声学特色的方法，乃至与微调模型具有竞争力。
这些结果加在一起表明，基于GPT-3的文本嵌入是AD评估的一种有希望的方法，并有可能改进痴呆症的早期诊断。

当然这种方法正处于探索研究阶段，须要办理的调度也有很多，只管开拓和翻译完备可支配的人工智能驱动的语音剖析，对付早期诊断痴呆症和根据个人需求进行直接定制的干预方法方面具有巨大潜力。
只管有希望，但紧张寻衅在于数据质量（不一致和不稳定）、数据数量（数据有限）和多样性。
为了使任何模型正常事情，我们须要有一套非常大、多样化和强大的数据。
利用人工智能随着神经成像、语音和措辞、行为生物标志物以及电子病历上的患者信息等大规模多模式数据的日益发展，将有助于缓解数据问题，并许可更准确、更高效和更早期的诊断。

参考文献：

Agbavor F, Liang H (2022) Predicting dementia from spontaneous speech using large language models. PLOS Digit Health 1(12): e0000168.