Detección de desórdenes de lenguaje de pacientes con enfermedad de Alzheimer usando embebimientos de palabras y características gramaticales
Resumen
La enfermedad de Alzheimer es un desorden neurodegenerativo-progresivo que afecta la producción de lenguaje y las capacidades de pensamiento de los pacientes. La integridad del cerebro es destruida con el paso del tiempo por interrupciones en las interacciones entre neuronas y células, requeridas para su funcionamiento normal. La enfermedad incluye el deterioro de habilidades comunicativas por un habla deficiente, que usualmente contiene información inservible, baja densidad de ideas y habilidades gramaticales. Adicionalmente, los pacientes presentan dificultades para encontrar palabras apropiadas y así estructurar oraciones. Por lo anterior, hay investigaciones en curso que buscan detectar la enfermedad considerando el deterioro de la producción de lenguaje. Así mismo, se están usando técnicas de procesamiento de lenguaje natural para detectar patrones y reconocer las discapacidades del lenguaje de los pacientes. Por su parte, este artículo se enfoca en el uso de características basadas en embebimiento y frecuencia de palabras, además de hacer una nueva aproximación con características gramaticales para clasificar la enfermedad de Alzheimer. Para ello, se consideraron transcripciones de 98 pacientes con Alzheimer y 98 controles sanos del Pitt Corpus incluido en la base de datos Dementia-Bank. Un total de 1200 características de embebimientos de palabras, 1408 características de frecuencia de término inverso vs. frecuencia en documentos, y 8 características gramaticales fueron calculadas. Tres modelos fueron propuestos, basados en la extracción de dichos conjuntos de características por separado y un cuarto modelo fue basado en una estrategia de fusión temprana de los tres conjuntos de características. Los modelos fueron optimizados usando la estrategia de validación cruzada Leave-One-Out. Se alcanzaron tasas de aciertos de hasta 81.7 % usando la fusión temprana de todas las características. Además, se encontró que un pequeño conjunto de características gramaticales logró una tasa de acierto del 72.8 %. Así, los resultados indican que estas características son adecuadas para clasificar de manera efectiva entre pacientes de Alzheimer y controles sanos.
Referencias bibliográficas
S. R. Chandra, “Alzheimer’s disease: An alternative approach”, Indian J. Med. Res., vol. 145, no. 6, pp. 723 - 729, Jun. 2017. https://doi.org/10.4103/ijmr.IJMR_74_17
C. M. Henstridge, B. T. Hyman, and T. L. Spires-Jones, “Beyond the neuron–cellular interactions early in Alzheimer disease pathogenesis”, Nature Reviews Neuroscience, vol. 20, pp. 94-108, Jan. 2019. https://doi.org/10.1038/s41583-018-0113-1
F. J. Huff, J. T. Becker, S. H. Belle, R. D. Nebes, A. L. Holland, and F. Boller, “Cognitive deficits and clinical diagnosis of Alzheimer’s disease,” Neurology, vol. 37, no. 7, pp. 1119–1124, Jul. 1987. https://doi.org/10.1212/WNL.37.7.1119
J. A. Small, S. Kemper, and K. Lyons, “Sentence comprehension in Alzheimer’s disease: Effects of grammatical complexity, speech rate, and repetition,” Psychol and Aging, vol. 12, no. 1, pp. 3–11, Mar. 1997. https://doi.org/10.1037/0882-7974.12.1.3
M. Nicholas, L. K. Obler, M. L. Albert, and N. Helm-Estabrooks, “Empty Speech in Alzheimer’s Disease and Fluent Aphasia,” J. Speech, Lang. Hear. Res., vol. 28, no. 3, pp. 405 - 410, Sep. 1985. https://doi.org/10.1044/jshr.2803.405
B. E. Murdoch, H. J. Chenery, V. Wilks, and R. S. Boyle, “Language disorders in dementia of the Alzheimer type,” Brain and Language., vol. 31, no. 1, pp. 122 - 137, May. 1987. https://doi.org/10.1016/0093-934X(87)90064-2
D. A. Snowdon, S. J. Kemper, J. A. Mortimer, L. H. Greiner, D. R. Wekstein, and W. R. Markesbery., “Linguistic Ability in Early Life and Cognitive Function and Alzheimer's Disease in Late Life: Findings From the Nun Study”, JAMA clinical challenge, vol. 275, no. 7, pp. 528 - 532, Feb. 1996. https://doi.org/10.1001/jama.1996.03530310034029
A. Almor, D. Kempler, M. C. MacDonald, E. S. Andersen, and L. K. Tyler, “Why Do Alzheimer Patients Have Difficulty with Pronouns? Working Memory, Semantics, and Reference in Comprehension and Production in Alzheimer’s Disease”, Brain and Language., vol. 67, no. 3, pp. 202 - 227, May. 1999. https://doi.org/10.1006/brln.1999.2055
S. O. Orimaye, J. S.-M. Wong, K. J. Golden, C. P. Wong, and I. N. Soyiri, “Predicting probable Alzheimer’s disease using linguistic deficits and biomarkers”, BMC Bioinformatics, vol. 18, no. 34, Jan. 2017. https://doi.org/10.1186/s12859-016-1456-0
J. T. Becker, F. Boiler, O. L. Lopez, J. Saxton, and K. L. McGonigle, “The Natural History of Alzheimer’s Disease: Description of Study Cohort and Accuracy of Diagnosis”, Arch. Neurol., vol. 51, no. 6, pp. 585 - 594, Jun. 1994. https://doi.org/10.1001/archneur.1994.00540180063015
P. F. Brown, P. V DeSouza, R. L. Mercer, V. J. Della Pietra, and J. C. Lai, “Class-based n-gram Models of Natural Language,” Computational. Linguists., vol. 18, no. 4, pp. 467–479, Dec. 1992. Available: https://www.aclweb.org/anthology/J92-4003/
B. Mirheidari, D. Blackburn, T. Walker, A. Venneri, M. Reuber, and H. Christensen, “Detecting Signs of Dementia Using Word Vector Representations,” in Interspeech, Hyderabad, 2018, pp. 1893 -1897. https://doi.org/10.21437/Interspeech.2018-1764
T. Mikolov, I. Sutskever, K. Chen, G. Corrado, and J. Dean, “Distributed Representations of Words and Phrases and their Compositionality,” in 26th International Conference on Neural Information Processing Systems, Nevada, 2013, pp. 3111 - 3119. Available: https://papers.nips.cc/paper/5021-distributed-representations-of-words-and-phrases-and-their-compositionality.pdf
P. Klumpp, J. Fritsch, and E. Nöth, “ANN-based Alzheimer’s disease classification from bag of words”, in Speech Communication; 13th ITG-Symposium, Oldenburg, 2018. pp. 1-4. Available: https://www.idiap.ch/~jfritsch/pdf/2018ITG.pdf
A. Budhkar and F. Rudzicz, “Augmenting word2vec with latent Dirichlet allocation within a clinical application”, in Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, Minneapolis, 2019, pp. 4095-4099. https://doi.org/10.18653/v1/N19-1414
T. Mikolov, K. Chen, G. Corrado, and J. Dean, “Efficient Estimation of Word Representations in Vector Space”, in Proceedings of the International Conference on Learning Representations, Arizona, 2013, pp.1-12. Available: https://arxiv.org/pdf/1301.3781.pdf
G. Salton, and M. J. McGill, Introduction to Modern Information Retrieval, New York: McGraw-Hill, 1986. Available: https://dl.acm.org/citation.cfm?id=576628
D. M. Blei, A. Y. Ng, and M. I. Jordan, “Latent Dirichlet Allocation”, Journal of Machine Learning Research, vol. 3, pp. 993 - 1022, Jan. 2003. Availabe in: http://www.jmlr.org/papers/volume3/blei03a/blei03a.pdf
P. Herd, D. Carr, and C. Roan, “Cohort Profile: Wisconsin longitudinal study (WLS),” International journal of epidemiology, vol. 43, no. 1, pp. 34 - 41, Feb. 2014. https://doi.org/10.1093/ije/dys194
A. Pistono, M. Jucla, C. Bézy, B. Lemesle, J. Le Men, and J. Pariente, “Discourse macrolinguistic impairment as a marker of linguistic and extralinguistic functions decline in early Alzheimer’s disease,” Int. J. Lang. Commun. Disord., vol. 54, no. 3, pp. 390 - 400, May. 2019. https://doi.org/10.1111/1460-6984.12444
R. Rehrek and P. Sojka, “Software Framework for Topic Modelling with Large Corpora” in Proceedings of the LREC 2010 Workshop on New Challenges for NLP Frameworks, Valletta, 2010, pp. 45–50. Available: https://is.muni.cz/publication/884893/en
S. Bird, E. Klein, and E. Loper, Natural Language Processing with Python, United States: O’Reilly Media, Inc. 2009. Available: https://is.muni.cz/publication/884893/en
A. Almor et al., “A common mechanism in verb and noun naming deficits in Alzheimer’s patients,” Brain and Language, vol. 111, no. 1, pp. 8 -19, Oct. 2009. https://doi.org/10.1016/j.bandl.2009.07.009
M. Kim and C. K. Thompson, “Verb deficits in Alzheimer’s disease and agrammatism: Implications for lexical organization,” Brain and Languaje, vol. 88, no. 1, pp. 1-20, Jan. 2004. https://doi.org/10.1016/S0093-934X(03)00147-0
J. P. Kincaid, R. P. Fishburne, R. L. Rogers, and B. S. Chissom, “Derivation of New Readability Formulas (Automated Readability Index, Fog Count and Flesch Reading Ease Formula) for Navy Enlisted Personnel,” Naval Technical Training Command Millington TN Research Branch Report, United States, IST technical report, 1975. Available: https://apps.dtic.mil/docs/citations/ADA006655
C. Roth, “Boston Diagnostic Aphasia Examination”, in Encyclopedia of Clinical Neuropsychology, 3st ed, New York: Springer New York, 2011. pp. 338 - 468. https://doi.org/10.1007/978-0-387-79948-3_868
F. Pedregosa, et al., “Scikit-learn: Machine Learning in Python”, Journal of Machine Learning Research, vol. 12, pp. 2825-2830. Oct. 2011. Available: http://www.jmlr.org/papers/v12/pedregosa11a
J. Devlin, M. W. Chang, K. Lee, K. Toutanova, BERT: “Pre-training of Deep Bidirectional Transformers for Language Understanding”, in Conference of the North American Chapter of the Association for Computational Linguistics, Minneapolis, 2019, pp. 1-16. Available: https://arxiv.org/pdf/1810.04805.pdf
Z. Yang, Z. Dai, Y. Yang, J. Carbonell, R. Salakhutdinov, and Q. V. Le, “XLNet: Generalized Autoregressive Pretraining for Language Understanding,” in Conference of the North American Chapter of the Association for Computational Linguistics, Minneapolis, 2019, Available: https://arxiv.org/pdf/1906.08237.pdf
Descargas
