Polska AI słyszy demencję, zanim ty cokolwiek zauważysz

Demencja ma jeden paskudny zwyczaj: daje znać o sobie wtedy, gdy jest już za późno na skuteczną interwencję. Kiedy pacjent lub jego rodzina zaczyna dostrzegać wyraźne objawy, choroba bywa już od lat zaawansowana. Polscy naukowcy postanowili to zmienić - i zabrali się do niej od strony, której nikt wcześniej nie brał pod uwagę tak kompleksowo: zwykłej rozmowy.

Zespół z Akademii Leona Koźmińskiego, ośrodka badawczego WarsawIQ i Uniwersytetu Marii Curie-Skłodowskiej w Lublinie opracował metodę analizy mowy opartą na sztucznej inteligencji, która potrafi wychwycić subtelne zmiany w sposobie mówienia pacjenta - zmiany niewidoczne gołym uchem, ale jak najbardziej uchwytne dla sieci neuronowych. Na konferencji ICASSP 2025 w Indiach ich podejście zajęło 10. miejsce spośród 80 zespołów badawczych z całego świata w konkursie IEEE PROCESS Signal Processing Grand Challenge. Jak na polską naukę - całkiem nieźle.

Jak mówisz, tak cię słyszą

System nie patrzy na to, co mówisz, ale jak to robisz. I jest w tym dużo więcej, niż mogłoby się wydawać. Mowa to skomplikowany proces angażujący wiele obszarów mózgu jednocześnie: planowanie wypowiedzi, dobór słów, kontrolę mięśni odpowiedzialnych za artykulację. Gdy demencja zaczyna uszkadzać mózg, właśnie tutaj pojawiają się pierwsze, jeszcze niewidoczne dla otoczenia sygnały - dłuższe pauzy, mniejsza płynność, powtórzenia, uproszczenia składniowe, trudności ze znalezieniem właściwego słowa.

Badacze połączyli trzy rodzaje technologii. Pierwsza to model HuBERT, który analizuje akustyczne właściwości głosu i tworzy matematyczny opis sposobu mówienia w postaci 1024-wymiarowego wektora cech - coś w rodzaju akustycznego odcisku palca. Odpowiada za aż 75,7% mocy predykcyjnej całego systemu. Druga to zestaw parametrów eGeMAPS wyodrębnianych narzędziem openSMILE: 88 standardowych parametrów paralingwistycznych, takich jak jitter, shimmer czy współczynniki cepstralne w skali melowej. Trzecia to modele Whisper i GPT-4o od OpenAI - Whisper zamienia mowę na tekst, a GPT-4o ocenia różne aspekty języka: płynność, gramatykę, składnię, błędy powtórzeń, spójność treściową. Każdy wymiar jest oceniany w skali od 0 do 10, co daje wynik czytelny dla lekarza - nie czarną skrzynkę.

Uwaga ⚠️

Autorzy sami zaznaczają, że błędy w automatycznym rozpoznawaniu mowy mogą wpływać na ocenę językową. Zbiór danych treningowych był relatywnie niewielki, a zadania związane z płynnością - stosunkowo proste. To narzędzie przesiewowe, nie diagnoza kliniczna.

Cechy lingwistyczne GPT-4o to tylko 13,5% - ale ważne

Ciekawy jest rozkład sił między komponentami. HuBERT dominuje z 75,7% mocy predykcyjnej, co oznacza, że to sposób mówienia - jego akustyczna faktura - jest ważniejszy niż sama treść wypowiedzi. Cechy lingwistyczne analizowane przez GPT-4o stanowią 13,5%, reszta przypada na eGeMAPS. Jak tłumaczy dr Karol Chlasta, współautor badania: „Mowa jest niezwykle bogatym źródłem informacji o funkcjonowaniu poznawczym człowieka. Sztuczna inteligencja pozwala dostrzec w niej wzorce, które dla nas pozostają zbyt subtelne”.

To nie jest żadna abstrakcyjna deklaracja. Tradycyjne testy diagnostyczne w kierunku demencji zajmują od 10 do 15 minut, są subiektywne, zależą od osoby przeprowadzającej badanie i słabo wychwytują wczesne, subtelne zmiany poznawcze. Podobne podejście badają też naukowcy z Penn State - profesor Hui Yang twierdzi, że ich model pozwala na „obiektywną i nieinwazyjną diagnostykę chorób neurodegeneracyjnych w czasie krótszym niż minuta”. Polska metoda idzie w tym samym kierunku.

Aplikacja na smartfonie zamiast wizyty u specjalisty?

Prawdziwy potencjał tej technologii leży w jej dostępności. Analiza mowy nie wymaga specjalistycznego sprzętu, może być przeprowadzana zdalnie i regularnie - co jest kluczowe przy chorobach, w których liczy się obserwacja zmian w czasie. Wyobraź sobie aplikację, która raz w tygodniu prosi seniora o krótką rozmowę i monitoruje, czy cokolwiek się zmienia. Albo asystenta głosowego, który robi to w tle, podczas codziennych interakcji.

Badacze wyraźnie zaznaczają: system ma wspierać lekarza, nie go zastępować. Ma dostarczać obiektywny sygnał oparty na danych, który można zbierać podczas zwykłej rozmowy. Może pomagać w planowaniu opieki, monitorowaniu zmian między wizytami i wskazywaniu, kiedy warto zmodyfikować terapię. To przesunięcie diagnostyki z reaktywnej na profilaktyczną - a to w medycynie oznacza więcej niż jakikolwiek nowy lek.

Protip ✅

Jeśli zajmujesz się opieką nad starszymi rodzicami, warto śledzić postępy tej technologii. Pierwsze narzędzia telemedyczne oparte na analizie mowy mogą trafić do praktyki klinicznej szybciej, niż myślisz - szczególnie w krajach z deficytem specjalistów neurologów.

Co to oznacza dla przyszłości diagnostyki

Wynik 10. na 80 zespołów na ICASSP 2025 to powód do dumy, ale też dopiero początek drogi. Badacze sami przyznają, że potrzebne są badania na bardziej naturalnych nagraniach, dłuższych narracjach i danych zbieranych przez lata. Jeden punkt pomiaru to za mało - prawdziwa wartość tej metody ujawni się, gdy będzie można śledzić zmiany w czasie u konkretnego pacjenta.

Kevin Mekulu z Penn State celnie ujął to tak: „Mowa to potężny punkt wyjścia, ale tylko jeden element układanki”. Do tego układanki dołożyć można analizę ruchów oczu, sygnały fizjologiczne, wzorce motoryczne. Ale i tak - mowa jest tym elementem, który jest najtańszy w pozyskaniu, najmniej inwazyjny i możliwy do zbierania bez wychodzenia z domu. Polscy naukowcy postawili na właściwy koń. Teraz pytanie, jak szybko ta technologia przejdzie z laboratorium do gabinetu lekarskiego - i czy polski system ochrony zdrowia będzie gotowy to przyjąć.