Леррі Хардесті | Офіс служби новин MIT
22 вересня 2016 р.

Для дітей із мовними і мовленнєвими розладами, втручання на етапі раннього дитинства може зробити велику різницю в їх подальшому академічному та соціальному успіху. Але багато хто з таких дітей – одне дослідження оцінює цю цифру у 60 відсотків – йдуть недіагностовані до дитячого садка або навіть далі.

Дослідники в області комп’ютерних наук і лабораторії штучного інтелекту в Массачусетському технологічному інституті й Інституті Центральної лікарні штату Массачусетс про медичних працівників сподіваються змінити, що, з комп’ютерною системою, яка може автоматично скринінгувати маленьких дітей на предмет мови і мовних розладів і, потенційно, навіть уявити конкретні діагнози.

На цьому тижні на міжмовній конференції з обробки мови, дослідники повідомили про перший набір експериментів з їх системою, яка дала обнадійливі результати. “Ми не дуже далекі від закінчення цієї роботи”, – говорить Джон Гуттаг, професор Дугалд С. Джексон в області електротехніки і провідний автор нового паперу. “Це свого роду попереднє дослідження. Але я думаю, що це досить переконливе техніко-економічне обґрунтування”.

Система аналізує аудіозаписи на дитячих спектаклях на стандартизований тесті казок, в якому вони представлені з серією зображень і супроводжуючого розповіді, а потім попросили переказати своїми словами.

“Дійсно захоплююча ідея тут, щоб бути в змозі зробити скринінг в повністю автоматичному режимі з використанням досить спрощеним інструментів,” – говорить Гуттаг. “Ви можете уявити собі задачу розповідання будучи повністю зроблено з планшета або телефону. Я думаю, що це відкриває можливість скринінгу з низьким рівнем витрат на велику кількість дітей, і я думаю, що якщо б ми могли зробити це, було б великим благом для суспільства”.
Незначні сигнали

Дослідники оцінили продуктивність системи, використовуючи стандартну міру звану площа під кривою, яка описує компроміс між вичерпно ідентифікують членами населення, які мають конкретне розлад, і обмеження помилкових спрацьовувань. (Модифікація системи, щоб обмежити кількість помилкових спрацьовувань як правило, призводить до обмеження справжніх позитиви, теж.) У медичній літературі, діагностичний тест з площею під кривою близько 0,7 зазвичай вважається досить точним, щоб бути корисним; на трьох різних клінічно корисних завдань, система дослідників коливався між 0,74 і 0,86.

Для того, щоб побудувати нову систему, Гуттаг і Джен Гонг, аспірант в області електротехніки та інформатики і першого автора на новій папері, використовуваної машинного навчання, в якому комп’ютер шукає великі набори навчальних даних для моделей, які відповідають конкретним класифікацій – в цьому випадку, діагнози мови і мови розладів.

Навчальні дані були накопичив Джордан Грін і Тіффані Хоган, дослідники з Інституті Центральної лікарні штату Массачусетс охорони здоров’я Професії, які були зацікавлені в розробці більш об’єктивних методів оцінки результатів тесту оповідає. “Краще діагностичні засоби необхідні, щоб допомогти лікарям зі своїми оцінками,” – говорить Грін, сам мовного мови патологоанатом. “Оцінка дитячого мовлення є надзвичайно складною справою через високого рівня мінливості навіть серед типово розвиваються дітей. Ви отримуєте п’ять лікарів в кімнаті, і ви можете отримати п’ять різних відповідей”.

На відміну від порушення мови, які є результатом анатомічних характеристик, таких як вовчою пащею, мовних розладів і розладів мови як неврологічні основи. Але, Грін пояснює, що вони впливають на різні нервові шляхи: розлади мови впливають на шляху двигуна, в той час як мовні розлади впливають на когнітивні і мовні шляху.
Зрадницькі паузи

Грін і Хоган висунули гіпотезу про те, що робить паузу в дитячій мові, так як вони з усіх сил, щоб або знайти слово або рядок разом управління двигуном, необхідні для його виробництва, є джерелом корисних діагностичних даних. Так ось на чому Гонг і Гуттаг зосереджені. Вони визначили набір з 13 акустичних особливостей дитячої мови, що їх система машинного навчання може шукати, шукати закономірності, які корелюють з певними діагнозами. Це були такі речі, як кількість коротких і довгих пауз, середня тривалість пауз, мінливість їх довжини й аналогічні статистичні дані про безперервні висловлювання.

Діти, чиї виступи на завданню оповідає були записані в наборі даних були класифіковані як правило, розвивається, як страждають від погіршення мови, або страждає від порушення мови. Система машинного навчання пройшла навчання на трьох різних завдань: виявлення будь-якої шкоди, будь то мови або мовлення; виявлення мовних порушень і виявлення мовленнєвих порушень.

Однією з перешкод, дослідники довелося зіткнутися в тому, що віковий діапазон типово розвиваються дітей в наборі даних був більш вузьким, ніж у дітей з порушеннями: Через порушення порівняно рідкісні, дослідники повинні були виходити за межі своєї цільової віковий діапазон для збору даних.

Гонг вирішив цю проблему, використовуючи статистичний метод, так званий залишковий аналіз. По-перше, він визначив кореляції між віком і статтю випробовуваних і акустичних особливостей їх мови. Потім, для кожної функції, вона коригується для цих кореляцій перед подачею даних в алгоритм машинного навчання.

“Потреба в надійних заходах для скринінгу дітей раннього віку з високим ризиком розвитку розладів мови і мовлення обговорюється ранніми педагогами протягом багатьох десятиліть”, – говорить Томас Кемпбелл, професор поведінкових і мозку наук в Університеті штату Техас в Далласі і виконавчий директор центру розладів комунікації Кальє університету. “Автоматизований підхід дослідників до скринінгу забезпечує захоплюючий технічний прогрес, який може виявитися проривом у скринінгу мови та мовлення тисяч дітей молодшого віку по всій території Сполучених Штатів”.