MEMOR-E: In-Context and Fine-Tuned LLM Personalization for Alzheimer's Assistive Robotics

Resumen Técnico: MEMOR-E – Personalización de Modelos de Lenguaje Grande (LLM) en Contexto y Ajustados para Robótica Asistiva en Alzheimer

Planteamiento del Problema
La enfermedad de Alzheimer (EA) provoca un deterioro progresivo de la memoria, el lenguaje y las funciones ejecutivas, aumentando la dependencia de cuidadores y generando cargas significativas para las familias y los sistemas de salud. Si bien la robótica asistiva social (SAR) ha demostrado potencial para reducir el estrés y mejorar la participación, los sistemas existentes a menudo carecen de movilidad, personalización o integración con el razonamiento basado en el lenguaje moderno. Además, los sistemas actuales rara vez ofrecen información transparente e interpretable sobre el rendimiento cognitivo para apoyar la supervisión del cuidador sin intentar un diagnóstico médico.

Metodología
El artículo presenta MEMOR-E, un robot cuadrúpedo móvil equipado con una interfaz de tableta montada en la cabeza. El sistema opera bajo un marco de dos pasos que preserva la privacidad, diseñado para detectar la severidad cognitiva y planificar interacciones asistivas sin transmitir datos crudos del paciente.

1. Hardware y Arquitectura:

   • Plataforma: Construido sobre un robot cuadrúpedo Unitree Go2 para movilidad interior estable y encarnación social.
   • Interfaz: Una tableta con pantalla táctil ofrece recordatorios, juegos cognitivos y señales visuales.
   • Procesamiento: Toda la computación ocurre localmente utilizando ROS 2 para la navegación y una cámara Intel RealSense para la evitación de obstáculos. El sistema ejecuta un Modelo de Lenguaje Grande (LLM) local Qwen 2.5 (7B) y clasificadores Longformer, garantizando que ningún dato del paciente salga del dispositivo.

2. Paso 1: Extracción de Señales Cognitivas Impulsada por Explicabilidad:

   • Datos: El sistema utiliza transcripciones del corpus Pitt de DementiaBank de TalkBank, que cubre cuatro tareas neuropsicológicas: Descripción de la Imagen del Robo de Galletas, Recordatorio de Historia, Fluidez Verbal y Construcción de Oraciones. Se generaron controles sanos sintéticos mediante LLM para las tareas de Recordatorio, Fluidez y Oración para equilibrar los conjuntos de datos.
   • Clasificación: Se entrenaron clasificadores binarios independientes (utilizando allenai/longformer-base-4096) para cada tarea con el fin de estimar la probabilidad de EA ($P(EA)$) a partir de las transcripciones.
   • IA Explicable (XAI): Para garantizar la privacidad y la interpretabilidad, las transcripciones crudas no se pasan al LLM. En su lugar, se utilizan Gradientes Integrados para extraer atribuciones a nivel de token. Estas atribuciones se agrupan en "cubos" motivados lingüísticamente (por ejemplo, disfluencias, contenido léxico, puntuación) para generar estadísticas que preservan la privacidad (por ejemplo, relación disfluencia-contenido, entropía).
   • Índice de Severidad: Se calcula un índice de severidad determinista basado en la probabilidad predicha media, la tasa de votos cruzados y la varianza de la probabilidad, evitando la variabilidad impulsada por el LLM en la evaluación de riesgos.

3. Paso 2: Planificación de Funciones Asistivas Basada en LLM:

   • Entrada: Solo los resúmenes numéricos estructurados (estadísticas XAI y métricas de severidad) se pasan a un LLM local Qwen 2.5 (7B).
   • Mecanismo: El LLM no se ajusta finamente con datos médicos. En su lugar, utiliza Aprendizaje en Contexto (ICL) con condicionamiento basado en prompts para mapear señales de severidad a recomendaciones asistivas no diagnósticas (por ejemplo, recordatorios específicos, juegos cognitivos, señales de memoria).
   • Simulación de Persona: Un estudio de viabilidad empleó un "LLM de Paciente" y un "LLM de Categorizador" para simular errores cognitivos consistentes con la etapa y generar resúmenes a nivel de dominio (memoria episódica, semántica, de trabajo) para diferentes etapas de deterioro.

Contribuciones Clave

• Diseño de Sistema con XAI: Una plataforma integrada de hardware/software que combina un robot cuadrúpedo móvil con una arquitectura de bucle cerrado supervisada por humanos, que produce interpretaciones transparentes y legibles por humanos de los resultados de tareas cognitivas.
• Interacción Adaptativa a la Etapa: Una interfaz gráfica simplificada y lógica de interacción alineadas con los desafíos cognitivos a través de las etapas de la EA, respaldadas por retroalimentación interpretable para la supervisión del cuidador.
• Análisis Cognitivo Basado en LLM: Un estudio de viabilidad que demuestra el uso de LLMs para emular respuestas de pacientes consistentes con la etapa y categorizar errores cognitivos, centrándose en resúmenes interpretables a nivel de dominio en lugar de predicciones diagnósticas.

Resultados

• Rendimiento de Clasificación: En la tarea "Robo de Galletas" (utilizando EA real y controles sanos reales), el modelo logró un AUC de 0.878 con sensibilidad (0.741) y especificidad (0.856) equilibradas. El modelo fue conservador, reduciendo los falsos positivos.
• Artefactos de Datos Sintéticos: Las tareas que utilizaron controles sanos generados sintéticamente (Recordatorio, Fluidez, Oración) lograron una separación perfecta (1.000 AUC/Precisión). Los autores interpretan explícitamente estos resultados como validación de viabilidad en lugar de evidencia de generalización al mundo real, señalando posibles artefactos distribucionales.
• Análisis de Atribución: La XAI reveló que, si bien los tokens de contenido léxico fueron la señal discriminativa principal (aproximadamente el 70% de la masa de atribución), las predicciones de EA mostraron una masa de atribución elevada en marcadores de disfluencia (rellenos como "eh/um" y pausas) y una especificidad reducida en las relaciones sustantivo-verbo. Esto se alinea con los marcadores lingüísticos establecidos de la EA.
• Viabilidad de la Simulación de Persona: El "LLM de Paciente" demostró un aumento monótono en errores desde la Etapa 1 hasta la Etapa 5, y el "LLM de Categorizador" generó con éxito resúmenes de dominio interpretables consistentes con los niveles de deterioro simulados.

Significado y Afirmaciones
El artículo afirma que MEMOR-E demuestra exitosamente un marco que preserva la privacidad y es explicable para la robótica asistiva cognitiva adaptativa. La importancia del sistema radica en su capacidad para:

1. Generar resúmenes cognitivos no diagnósticos conscientes de la etapa que apoyan interacciones asistivas personalizadas sin reemplazar la evaluación clínica.
2. Traducir las salidas del modelo en evidencia transparente y legible por humanos mediante XAI, permitiendo la supervisión del cuidador y fomentando la confianza en la interacción humano-robot.
3. Operar con autonomía conservadora, donde todas las acciones son no invasivas, reversibles y mediadas a través de una tableta, garantizando la seguridad para usuarios cognitivamente vulnerables.

Los autores enfatizan que el sistema está diseñado para aumentar el apoyo diario y la conciencia del cuidador en lugar de proporcionar diagnósticos médicos. Se identifica que el trabajo futuro es necesario para validar estos hallazgos con estudios longitudinales del mundo real, datos de control reales y evaluaciones cualitativas de la confianza y la carga de trabajo del cuidador.