• Нейросеть научили распознавать признаки деменции без учёта возрастного фактора

    DementiaBank

    Исследователи из Торонто разработали метод машинного обучения для прогнозирования деменции, который определяет приоритеты конкретных переменных при анализе данных, и способен изолировать искажающие факторы, например возраст. Учёные достигли до 100% точности в классификации подтипов афазии, и 82% в случаях с деменцией.

    В контексте прогноза болезни Альцгеймера и деменции основное внимание уделяется возрасту. Сложность состоит в том, чтобы научить модель различать влияние возраста и последствия патологических когнитивных изменений. Для решения этой задачи WinterLight Labs использует несколько типов глубоких нейронных сетей, включая автоэнкодеры и генеративно-состязательные нейросети. Алгоритмы машинного обучения предсказывают когнитивные нарушения и их серьезность, анализируя человеческую речь и определяя характерные закономерности.

    Классификаторы протестировали на наборах данных DementiaBank и Famous People, которые включают в себя записи голоса и транскрипты людей с деменцией и людей без когнитивных нарушений. Метод, предложенный учёными, позволяет отделить и не учитывать возрастной фактор, и при этом справляется лучше чем существующие классификаторы, теряя всего 2,56% точности на датасете DementiaBank и 2,25% на Famous People.