Revealing common mechanisms between neurodegenerative diseases and artistic behaviors using fuzzy knowledge representation

Abstract

Neurodegenerative diseases (NDs), including Parkinson's Disease (PD), Alzheimer's Disease (AD), Frontotemporal Dementia (FTD), Corticobasal Degeneration (CBD), and Lewy Body Dementia (LBD), represent a diverse class of progressive brain pathologies. Traditionally, clinical approaches to NDs have had limited power in detecting overlaps, especially considering the variety of heterogeneous sources of data in the areas of behavior, cognition, and neurology. At the same time, the neurological deficits leading to NDs impact creative expression through lesions of brain regions that control motor processes. Uncovering the overlap between the pathology-affected regions and the regions that control motor function, which is involved in artistic expression, can be beneficial in terms of early biomarker discovery as well as the identification of correlations between the disease and creative behaviors. In the present research, the overlap in neural bases of neurodegenerative diseases and artistic behaviors will be studied by means of fuzzy knowledge representation. The current study targets two specific research aims: (a) building models based on fuzzy ontology for the representation of biological, clinical, and artistic knowledge concerning neurodegeneration; and (b) developing a reliable and clinically actionable framework for the diagnostic testing of PD using artistic behaviors represented by hand drawings.For addressing the stated goals, three AI methods were used to build classification models for PD diagnostics on datasets with increasing complexity: supervised machine learning algorithms (ML), large language models (LLMs), and fuzzy ontology-based reasoning. For the first dataset, statistical features were obtained by measuring kinematic characteristics of hand-drawn spirals. In the second experiment, waves drawn on digitized paper were analyzed. In the third and final experiment, stylus drawing was considered, where both kinematic and geometrical characteristics were measured. To address the problem of low availability of training samples, synthetic data was augmented using Conditional Tabular GAN (CTGAN). High F1-scores (0.70–0.94) for machine learning (ML) classifiers trained on synthetic datasets and applied to real-world data indicate high generalizability. Ontological models, built using the fuzzyOWL2 plugin in Protégé, used rule-based reasoning on knowledge represented by triangular membership functions. Superior interpretability and high F1-score of 0.91 on the most complex dataset prove high robustness of the models on uncertain input data. For zero-shot generation, the large language model ChatGPT was tested on drawing features using natural language input prompts. Accuracy achieved by zero-shot models was modest (up to 0.77 F1-score). Lack of domain-specific knowledge made these models suboptimal for PD diagnostics.Comparison of the experiments reveals consistent patterns. According to SHAP analysis, features with highest discriminatory power included signal entropy, smoothness, and kurtosis, corroborating the ontology-based rules and qualitative findings. Fuzzy ontologies offered an advantage of interpretability in terms of rules defined by domain experts. Ontologies also outperformed the other models on highly varying stylus data. As opposed to crisp ontologies and ML approaches, fuzziness of membership functions facilitated smooth decision-making in the presence of noisy data. The obtained results highlight the potential of knowledge-intensive approaches in clinical AI.Biomarkers identified during the research, namely spiral irregularity, wave energy, and pressure dynamics, relate to processes controlled by the basal ganglia circuits. The ontology developed as part of this thesis opens the opportunity for future research combining neuroimaging data and drawing-based performance metrics to study the relationships between structural brain differences in artists and pathological brain degeneration in neurodegenerative diseases. However, limitations include small sizes of real-world datasets, lack of adaptiveness in ontology and zero-shot LLM prompt engineering, and no domain-specific tuning of LLMs. To solve these issues, larger, longitudinal datasets including motor performance in a variety of activities should be collected, while multiple modalities like voice and gait measurements should be incorporated. Following the broader research agenda of identifying the overlaps between neurodegenerative diseases and creative behaviors, a future direction includes building a neuro-symbolic architecture combining language-based reasoning of LLMs with fuzzy ontology.

Οι νευροεκφυλιστικές ασθένειες (ΝΕΑ), συμπεριλαμβανομένων της Νόσου του Πάρκινσον (PD), της Νόσου Αλτσχάιμερ (AD), της Μετωποκροταφικής Άνοιας (FTD), της Φλοιοβασικής Εκφύλισης (CBD) και της Άνοιας με Σωμάτια Lewy (LBD), αποτελούν μια ετερογενή κατηγορία προοδευτικών παθολογιών του εγκεφάλου. Παραδοσιακά, οι κλινικές προσεγγίσεις για τις ΝΕΑ έχουν περιορισμένη ικανότητα ανίχνευσης επικαλύψεων, ιδιαίτερα λαμβάνοντας υπόψη την ποικιλία ετερογενών πηγών δεδομένων στους τομείς της συμπεριφοράς, της γνωστικής λειτουργίας και της νευρολογίας. Ταυτόχρονα, τα νευρολογικά ελλείμματα που οδηγούν στις ΝΕΑ επηρεάζουν τη δημιουργική έκφραση μέσω βλαβών σε περιοχές του εγκεφάλου που ελέγχουν τις κινητικές διεργασίες. Η ανάδειξη της επικάλυψης μεταξύ των περιοχών που επηρεάζονται από την παθολογία και εκείνων που ελέγχουν την κινητική λειτουργία, η οποία εμπλέκεται στην καλλιτεχνική έκφραση, μπορεί να συμβάλει τόσο στην πρώιμη ανακάλυψη βιοδεικτών όσο και στον εντοπισμό συσχετίσεων μεταξύ της νόσου και των δημιουργικών συμπεριφορών. Στην παρούσα έρευνα, η επικάλυψη στις νευρωνικές βάσεις των νευροεκφυλιστικών ασθενειών και των καλλιτεχνικών συμπεριφορών μελετάται μέσω αναπαράστασης γνώσης με ασαφή λογική (fuzzy knowledge representation). Η μελέτη στοχεύει σε δύο συγκεκριμένους ερευνητικούς στόχους: (α) την ανάπτυξη μοντέλων βασισμένων σε ασαφείς οντολογίες για την αναπαράσταση βιολογικής, κλινικής και καλλιτεχνικής γνώσης που σχετίζεται με τη νευροεκφύλιση και (β) την ανάπτυξη ενός αξιόπιστου και κλινικά αξιοποιήσιμου πλαισίου για τη διαγνωστική αξιολόγηση της Νόσου του Πάρκινσον μέσω καλλιτεχνικών συμπεριφορών που αναπαρίστανται με σχέδια χειρός. Για την επίτευξη των στόχων αυτών, χρησιμοποιήθηκαν τρεις μέθοδοι τεχνητής νοημοσύνης για την ανάπτυξη μοντέλων ταξινόμησης για τη διάγνωση της PD σε σύνολα δεδομένων αυξανόμενης πολυπλοκότητας: αλγόριθμοι επιβλεπόμενης μηχανικής μάθησης (ML), μεγάλα γλωσσικά μοντέλα (LLMs) και συλλογιστική βασισμένη σε ασαφείς οντολογίες. Στο πρώτο σύνολο δεδομένων, εξήχθησαν στατιστικά χαρακτηριστικά μέσω μέτρησης κινηματικών ιδιοτήτων σπειροειδών σχεδίων χειρός. Στο δεύτερο πείραμα αναλύθηκαν κυματοειδή σχέδια σε ψηφιοποιημένο χαρτί. Στο τρίτο και τελικό πείραμα εξετάστηκε η σχεδίαση με γραφίδα (stylus), όπου μετρήθηκαν τόσο κινηματικά όσο και γεωμετρικά χαρακτηριστικά. Για την αντιμετώπιση της περιορισμένης διαθεσιμότητας δεδομένων εκπαίδευσης, πραγματοποιήθηκε ενίσχυση δεδομένων με συνθετικά δείγματα μέσω Conditional Tabular GAN (CTGAN). Υψηλές τιμές F1-score (0.70–0.94) για μοντέλα μηχανικής μάθησης εκπαιδευμένα σε συνθετικά δεδομένα και εφαρμοσμένα σε πραγματικά δεδομένα υποδεικνύουν υψηλή ικανότητα γενίκευσης. Τα οντολογικά μοντέλα, που αναπτύχθηκαν με χρήση του πρόσθετου fuzzyOWL2 στο περιβάλλον μηχανικής οντολογιών Protégé 5, αξιοποίησαν συλλογιστική βασισμένη σε κανόνες με γνώση που αναπαρίσταται μέσω τριγωνικών συναρτήσεων συμμετοχής. Η υψηλή ερμηνευσιμότητα και το υψηλό F1-score (0.91) στο πιο σύνθετο σύνολο δεδομένων αποδεικνύουν τη μεγάλη ανθεκτικότητα των μοντέλων σε αβέβαια δεδομένα εισόδου. Στην περίπτωση zero-shot παραγωγής, το μεγάλο γλωσσικό μοντέλο ChatGPT εκπαιδεύτηκε σε χαρακτηριστικά σχεδίων μέσω προτροπών φυσικής γλώσσας. Η ακρίβεια που επιτεύχθηκε ήταν μέτρια (έως 0.77 F1-score), καθώς η έλλειψη εξειδικευμένης γνώσης περιόρισε την απόδοση των μοντέλων για διαγνωστική χρήση.Η σύγκριση των πειραμάτων ανέδειξε συνεπή μοτίβα. Σύμφωνα με την ανάλυση SHAP, τα χαρακτηριστικά με τη μεγαλύτερη διακριτική ικανότητα περιλάμβαναν την εντροπία σήματος, την ομαλότητα και την κύρτωση, επιβεβαιώνοντας τους κανόνες της οντολογίας και τα ποιοτικά ευρήματα. Οι ασαφείς οντολογίες προσέφεραν σημαντικό πλεονέκτημα ως προς την ερμηνευσιμότητα, μέσω κανόνων που ορίζονται από ειδικούς του πεδίου. Επιπλέον, υπερείχαν έναντι άλλων μοντέλων σε δεδομένα γραφίδας με υψηλή μεταβλητότητα. Σε αντίθεση με τις «ακριβείς» (crisp) οντολογίες και τις προσεγγίσεις ML, η ασάφεια των συναρτήσεων συμμετοχής επέτρεψε ομαλή λήψη αποφάσεων παρουσία θορύβου. Τα αποτελέσματα αναδεικνύουν τη δυναμική των γνώσης-εντατικών προσεγγίσεων στην κλινική τεχνητή νοημοσύνη. Οι βιοδείκτες που εντοπίστηκαν κατά την έρευνα, όπως η ανωμαλία της σπείρας, η ενέργεια του κύματος και η δυναμική της πίεσης, σχετίζονται με διεργασίες που ελέγχονται από τα κυκλώματα των βασικών γαγγλίων. Η οντολογία που αναπτύχθηκε στο πλαίσιο της διατριβής ανοίγει τον δρόμο για μελλοντική έρευνα που θα συνδυάζει δεδομένα νευροαπεικόνισης και μετρικές απόδοσης σχεδίασης, με στόχο τη μελέτη των σχέσεων μεταξύ δομικών διαφορών του εγκεφάλου σε καλλιτέχνες και της παθολογικής εκφύλισης σε νευροεκφυλιστικές ασθένειες. Ωστόσο, υπάρχουν περιορισμοί, όπως το μικρό μέγεθος των πραγματικών συνόλων δεδομένων, η περιορισμένη προσαρμοστικότητα της οντολογίας και των zero-shot προσεγγίσεων, καθώς και η απουσία εξειδικευμένης προσαρμογής των LLMs. Για την αντιμετώπιση αυτών των ζητημάτων, απαιτείται συλλογή μεγαλύτερων, διαχρονικών συνόλων δεδομένων που να περιλαμβάνουν κινητική απόδοση σε ποικιλία δραστηριοτήτων, καθώς και ενσωμάτωση πολλαπλών μορφών δεδομένων, όπως φωνή και βάδιση. Στο πλαίσιο της ευρύτερης ερευνητικής κατεύθυνσης για τον εντοπισμό επικαλύψεων μεταξύ νευροεκφυλιστικών ασθενειών και δημιουργικών συμπεριφορών, μια μελλοντική προοπτική είναι η ανάπτυξη νευρο-συμβολικής αρχιτεκτονικής που θα συνδυάζει τη συλλογιστική των LLMs με ασαφείς οντολογίες.