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

Resumo Técnico: MEMOR-E – Personalização de LLMs em Contexto e Ajustada para Robótica Assistiva em Alzheimer

Declaração do Problema
A doença de Alzheimer (DA) causa declínios progressivos na memória, linguagem e funções executivas, aumentando a dependência de cuidadores e impondo encargos significativos às famílias e aos sistemas de saúde. Embora a robótica assistiva social (RAS) tenha demonstrado potencial na redução do estresse e na melhoria do engajamento, os sistemas existentes frequentemente carecem de mobilidade, personalização ou integração com raciocínio baseado em linguagem moderna. Além disso, os sistemas atuais raramente fornecem insights transparentes e interpretáveis sobre o desempenho cognitivo para apoiar a supervisão do cuidador sem tentar diagnósticos médicos.

Metodologia
O artigo apresenta o MEMOR-E, um robô quadrúpede móvel equipado com uma interface de tablet montada na cabeça. O sistema opera em um framework de duas etapas, que preserva a privacidade, projetado para detectar a gravidade cognitiva e planejar interações assistivas sem transmitir dados brutos do paciente.

1. Hardware e Arquitetura:

   • Plataforma: Construído sobre um robô quadrúpede Unitree Go2 para mobilidade indoor estável e encarnação social.
   • Interface: Um tablet com tela sensível ao toque fornece lembretes, jogos cognitivos e prompts visuais.
   • Processamento: Todo o processamento ocorre localmente, utilizando ROS 2 para navegação e uma câmera Intel RealSense para evasão de obstáculos. O sistema executa um Modelo de Linguagem de Grande Escala (LLM) local Qwen 2.5 (7B) e classificadores Longformer, garantindo que nenhum dado do paciente saia do dispositivo.

2. Etapa 1: Extração de Sinais Cognitivos Orientada por Explicabilidade:

   • Dados: O sistema utiliza transcrições do corpus TalkBank DementiaBank Pitt, cobrindo quatro tarefas neuropsicológicas: Descrição da Imagem de Roubo de Biscoitos, Recordação de História, Fluência Verbal e Construção de Frases. Controles saudáveis sintéticos foram gerados via LLM para as tarefas de Recordação, Fluência e Frase para equilibrar os conjuntos de dados.
   • Classificação: Classificadores binários independentes (usando allenai/longformer-base-4096) foram treinados para cada tarefa para estimar a probabilidade de DA ($P(AD)$) a partir das transcrições.
   • IA Explicável (XAI): Para garantir privacidade e interpretabilidade, as transcrições brutas não são passadas ao LLM. Em vez disso, Gradientes Integrados são usados para extrair atribuições em nível de token. Essas atribuições são agregadas em "buckets" motivados linguisticamente (por exemplo, disfluências, conteúdo lexical, pontuação) para gerar estatísticas que preservam a privacidade (por exemplo, razão disfluência-conteúdo, entropia).
   • Índice de Gravidade: Um índice de gravidade determinístico é calculado com base na probabilidade média prevista, na taxa de votos cruzados e na variância da probabilidade, evitando a variabilidade impulsionada por LLMs na avaliação de risco.

3. Etapa 2: Planejamento de Recursos Assistivos Baseado em LLM:

   • Entrada: Apenas os resumos numéricos estruturados (estatísticas XAI e métricas de gravidade) são passados para um LLM local Qwen 2.5 (7B).
   • Mecanismo: O LLM não é ajustado (fine-tuned) em dados médicos. Em vez disso, ele utiliza Aprendizado em Contexto (ICL) com condicionamento baseado em prompts para mapear sinais de gravidade em recomendações assistivas não diagnósticas (por exemplo, lembretes específicos, jogos cognitivos, pistas de memória).
   • Simulação de Persona: Um estudo de viabilidade empregou um "LLM Paciente" e um "LLM Categorizador" para simular erros cognitivos consistentes com o estágio e gerar resumos de nível de domínio (memória episódica, semântica, de trabalho) para diferentes estágios de comprometimento.

Principais Contribuições

• Design de Sistema com XAI: Uma plataforma integrada de hardware/software que combina um robô quadrúpede móvel com uma arquitetura de malha fechada, supervisionada por humanos, que produz interpretações transparentes e legíveis por humanos dos resultados de tarefas cognitivas.
• Interação Adaptativa ao Estágio: Uma interface gráfica simplificada e lógica de interação alinhadas com os desafios cognitivos em todos os estágios da DA, apoiadas por feedback interpretável para supervisão do cuidador.
• Análise Cognitiva Baseada em LLM: Um estudo de viabilidade demonstrando o uso de LLMs para emular respostas de pacientes consistentes com o estágio e categorizar erros cognitivos, focando em resumos interpretáveis de nível de domínio em vez de previsões diagnósticas.

Resultados

• Desempenho de Classificação: Na tarefa "Roubo de Biscoitos" (usando DA real e controles saudáveis reais), o modelo alcançou uma AUC de 0,878 com sensibilidade equilibrada (0,741) e especificidade (0,856). O modelo foi conservador, reduzindo falsos positivos.
• Artefatos de Dados Sintéticos: Tarefas usando controles saudáveis gerados sinteticamente (Recordação, Fluência, Frase) alcançaram separação perfeita (AUC/Acurácia de 1,000). Os autores interpretam explicitamente esses resultados como validação de viabilidade e não como evidência de generalização no mundo real, notando potenciais artefatos distribucionais.
• Análise de Atribuição: A XAI revelou que, embora os tokens de conteúdo lexical fossem o sinal discriminativo primário (aproximadamente 70% da massa de atribuição), as previsões de DA mostraram massa de atribuição elevada em marcadores de disfluência (preenchedores como "uh/um" e pausas) e especificidade reduzida em relações substantivo-verbo. Isso alinha-se com marcadores linguísticos estabelecidos da DA.
• Viabilidade da Simulação de Persona: O "LLM Paciente" demonstrou um aumento monótono de erros do Estágio 1 ao Estágio 5, e o "LLM Categorizador" gerou com sucesso resumos de domínio interpretáveis consistentes com os níveis de comprometimento simulados.

Significado e Alegações
O artigo alega que o MEMOR-E demonstra com sucesso um framework que preserva a privacidade e é explicável para robótica assistiva adaptativa cognitiva. O significado do sistema reside em sua capacidade de:

1. Gerar resumos cognitivos conscientes do estágio e não diagnósticos que apoiam interações assistivas personalizadas sem substituir a avaliação clínica.
2. Traduzir as saídas do modelo em evidências transparentes e legíveis por humanos via XAI, permitindo a supervisão do cuidador e fomentando a confiança na interação humano-robô.
3. Operar com autonomia conservadora, onde todas as ações são não invasivas, reversíveis e mediadas através de um tablet, garantindo a segurança para usuários cognitivamente vulneráveis.

Os autores enfatizam que o sistema foi projetado para aumentar o suporte diário e a conscientização do cuidador, em vez de fornecer diagnósticos médicos. Trabalhos futuros são identificados como necessários para validar essas descobertas com estudos longitudinais no mundo real, dados de controle reais e avaliações qualitativas da confiança e da carga de trabalho do cuidador.