Technische Samenvatting: Een Neurosymbolische Benadering voor Verklaarbare Vroege Diagnose van de Ziekte van Alzheimer

Probleemstelling

De vroege diagnose van de ziekte van Alzheimer (AD) leunt zwaar op het identificeren van subtiele linguïstische en semantische tekorten, zoals verminderde verbale vloeiendheid en woordvindingsproblemen. Momenteel is de analyse van verbale vloeiendheidstests (bijv. het benoemen van dieren of woorden die met specifieke letters beginnen) een handmatig, arbeidsintensief proces dat deskundige transcriptie en kwalitatieve analyse vereist. Deze bottleneck beperkt de schaalbaarheid van longitudinale monitoring.

De kern van de technische uitdaging ligt in de representatiekloof tussen sensorische input en klinische kennis:

1. Input: Indicatoren van cognitieve achteruitgang zijn ingebed in ongestructureerde, continue akoestische signalen (ruwe audio).
2. Kennis: Klinische domeinkennis bestaat uit gestructureerde, kwalitatieve relaties tussen discrete variabelen (bijv. "cognitieve achteruitgang beïnvloedt de spraaksnelheid negatief").

Zuivere neurale architecturen blinken uit in patroonherkenning in ruwe audio, maar missen mechanismen voor logisch consistente, verifieerbare en interpreteerbare redenering. Omgekeerd kunnen symbolische systemen geen hoogdimensionale ruwe audio verwerken. Het overbruggen van deze kloof vereist een framework dat in staat is tot hoogwaardige symboolgronding en rigoureuze redenering.

Methodologie: NeSyQuaKE

De auteurs introduceren NeSyQuaKE (Neurosymbolic Qualitative Knowledge Extraction), een framework dat een Neuro | Symbolisch (Type 3) architectuur volgt. De pijplijn ontkoppelt de taak in drie afzonderlijke stadia:

1. Informatie-extractie (Symboolgronding)

Dit stadium brengt ruwe audio-opnames ($a^{(i)}$) in kaart naar tabelvormige featurevectoren ($x^{(i)}$) met behulp van een sequentiële combinatie van foundationmodellen en deterministische symbolische programma's:

• Spraak-naar-Tekst (S2T): Een getraind transformer-gebaseerd model (WhisperX) transcribeert ruwe audio naar tijdgestempelde uitingen.
• Large Language Models (LLMs): Een domeinspecifiek LLM (MedGemma-27b) verwerkt de transcripties om gestructureerde antwoorden te extraheren (bijv. het identificeren van geldige woorden binnen semantische categorieën).
• Deterministische Symbolische Programma's: Om wiskundige consistentie en verifieerbaarheid te garanderen, wordt de gestructureerde output van het LLM verwerkt door symbolische programma's. Deze programma's berekenen klinische kenmerken (bijv. Totaal Aantal Woorden, Spraaksnelheid, Clustergrootte) met behulp van expliciete logica (bijv. total_words = LEN(FILTER(VALID, words))). Deze stap grond de neurale outputs in precieze, interpreteerbare variabelen.

2. Bayesiaanse Netwerkconstructie (BNC)

Het framework construeert een Bayesiaans Netwerk (BN) om de gezamenlijke waarschijnlijkheidsverdeling over de variabelen van belang (lexicale, semantische en akoestische kenmerken) en het diagnostische label (Cognitieve Achteruitgang, $Y$) te representeren.

• Structuurleren: Vanwege de schaarste en ruis in klinische data is traditioneel structuurleren onhaalbaar. In plaats daarvan wordt de BN-structuur geëliciteerd door een LLM meerdere keren te prompten met kenmerkbeschrijvingen. De resulterende grafieken worden samengevoegd, en randen (edges) worden toegevoegd op basis van de frequentie van voorkomen, waarbij acycliciteit wordt gewaarborgd.
• Parameterleren: Een Bayesiaanse estimator met een sterke prior (BDeu) wordt gebruikt om de conditionele waarschijnlijkheidsverdelingen te leren. Deze aanpak verzacht problemen met kleine datasets waarbij Maximum Likelihood Estimation mogelijk een nulwaarschijnlijkheid toekent aan niet-geobserveerde configuraties.

3. Kwalitatieve Kennisextractie (QuaKE)

Met behulp van het QuaKE-algoritme redeneert het systeem over de geleerde gezamenlijke verdeling om Monotone Invloed (MI) verklaringen te extraheren.

• Het algoritme controleert de aanwezigheid van monotone invloed van het diagnostische label $Y$ op afstammende kenmerken $X_d$.
• Het berekent een score ($\delta_d$) die de sterkte van de invloed kwantificeert op basis van het cumulatieve verschil in conditionele waarschijnlijkheden.
• De output is een set kwalitatieve regels (bijv. "Cognitieve Achteruitgang heeft een negatieve monotone invloed op de Spraaksnelheid"), die gemakkelijk interpreteerbaar en vergelijkbaar zijn met de medische literatuur.

Belangrijkste Bijdragen

1. NeSyQuaKE Framework: Een nieuw neurosymbolisch framework dat kwalitatieve kennis extraheert uit klinische audio door foundationmodellen (voor gronding) te combineren met Bayesiaanse Netwerken (voor redenering).
2. Deterministische Symbolische Laag: De introductie van een laag symbolische programma's om neurale outputs naar klinische kenmerken te mappen, wat ervoor zorgt dat metrieken zoals spraaksnelheid en semantische wisseling wiskundig consistent en verifieerbaar zijn.
3. Empirische Validatie: Evaluatie op een real-world dataset van 162 verbale vloeiendheidstests (Gezonde Controles versus Milde Cognitieve Stoornissen) die het vermogen van het systeem aantoont om gevestigde klinische kennis te herstellen en nieuwe hypothesen te genereren.

Experimentele Resultaten

Het systeem werd geëvalueerd op semantische (dieren/groenten) en fonemische (F/L letters) vloeiendheidstaken.

• Symboolgronding Accuraatheid (Q1): NeSyQuaKE presteerde significant beter dan een regelgebaseerde baseline. Het behaalde een verbetering van 94,3% in de semantische vloeiendheidstaak en 77,2% in de fonemische taak met betrekking tot de Pairwise Conditional Estimation Error (PCEE) vergeleken met handmatige annotaties.
• Afstemming met Expertkennis (Q2):
  • NeSyQuaKE kwam 100% overeen met de initiële monotone invloeden die door domeinexperts werden geëliciteerd voor beide taken.
  • De door het LLM gegenereerde BN-structuur herstelde 80% van de randen uit het door de expert gedefinieerde netwerk, wat aanzienlijk beter is dan het datagedreven Peter-Clark (PC) algoritme, dat slechts 1 van de 15 randen mat.
• Hypothesegeneratie (Q3): Het framework ontdekte 9 aanvullende invloeden buiten de verwachtingen van experts.
  • Gevalideerd: Experts bevestigden negatieve monotone invloeden van cognitieve achteruitgang op clustergrootte, spraaksnelheid en woordlengte in semantische taken, en vergelijkbare negatieve trends in fonemische taken (hoewel minder uitgesproken).
  • Nieuw/Speculatief: Het systeem concludeerde een positieve monotone invloed van cognitieve achteruitgang op woordlengte in fonemische taken. De auteurs speculeren dat dit kan komen door deelnemers die kortere woorden gebruiken om het aantal woorden te maximaliseren in een tijdgebonden taak, een strategie die minder van toepassing is op semantische categorieën.
• Feedbackloop (Q4): Het integreren van een feedbackmechanisme waarbij afgewezen woorden worden teruggestuurd naar het LLM voor fonetisch vergelijkbare vervangingen, verbeterde de PCEK met 13,7% (semantisch) en 14,5% (fonemisch), hoewel de ontdekte monotoniciteiten ongewijzigd bleven.

Betekenis en Claims

Het artikel beweert dat NeSyQuaKE een schaalbare en verklaarbare benadering biedt voor het monitoren van de progressie van de ziekte van Alzheimer. De primaire betekenis ligt in:

• Het overbruggen van de kloof: Het succesvol verbinden van ongestructureerde akoestische signalen met gestructureerde kwalitatieve medische kennis zonder dat hiervoor enorme gelabelde datasets nodig zijn voor end-to-end training.
• Verklaarbaarheid: In tegenstelling tot black-box deep learning modellen, produceert NeSyQuaKE Kwalitatieve Invloedsverklaringen die overeenkomen met hoe clinici trends communiceren (bijv. "naarmate de achteruitgang toeneemt, neemt de spraaksnelheid af").
• Kennisherstel en -ontdekking: Het systeem herstelt niet alleen bekende klinische markers, maar identificeert ook subtiele, minder prominente trends (zoals specifieke monotone relaties in fonemische taken) die mogelijk gemist worden bij handmatige analyse of standaard statistische methoden.

De auteurs houden een bescheiden standpunt en erkennen dat, hoewel de feedbackloop veelbelovend was, deze verdere validatie vereist omdat de correcties momenteel gebaseerd zijn op de context van de transcriptie in plaats van directe audiogronding. Ze merken ook op dat toekomstig werk grotere foundationmodellen en gespecialiseerde spraak-taalmodellen moet verkennen om pathologische spraak effectiever te kunnen verwerken.