Fellowship Grant: AI om Parkinson, Alzheimer en leesproblemen vroeg te herkennen 

In onze stem zit bijzonder veel informatie verborgen. Denk aan geslacht, leeftijd of waar iemand vandaan komt. Maar er is meer. Aan subtiele nuances in de stem zijn ziektes zoals Alzheimer en Parkinson te herkennen. En wie goed luistert, hoort patronen die verraden waarom sommige kinderen moeite hebben met leren lezen. AI is goed in het herkennen van zulke nuances en patronen. Maar juist omdat er zoveel informatie in onze stem zit, is het waarborgen van privacy hierbij van groot belang. 

De onderzoeksgroep Responsible AI for Voice Diagnostics (RAIVD) wordt ondersteund door een Fellowship Grant en doet hier onderzoek naar. Het traint en test AI-modellen met spraakopnames om Parkinson, Alzheimer en leesproblemen te herkennen. Het project bestaat uit zes promotieonderzoeken. Privacy van stemgegevens is de rode draad hierin. 

We spraken met Cristian Tejedor-García, universitair docent aan het Centre for Language Studies van de Radboud Universiteit en leider van de onderzoeksgroep, over dit onderzoek.  “We kunnen onze stem steeds beter beschermen, en we kunnen hem gebruiken om mogelijke aandoeningen vroeg op te sporen”, zo vat Tejedor-García samen. 

De nuances van Parkinson en Alzheimer 

Onze stem is volgens Tejedor-García een van de makkelijkste biomarkers die er zijn. Het is een goed meetbaar signaal dat iets zegt over je gezondheid. Aan de zorgkant doet het team samen met het Radboudumc onderzoek naar Parkinson en Alzheimer. De onderzoekers vragen zich af of het mogelijk is om deze ziektes in een vroeg stadium aan iemands stem te herkennen. En of je ze vervolgens kunt onderscheiden van aandoeningen met spraakproblemen die erop lijken, de zogeheten differentiële diagnose. Tejedor-García zette de stand van de wetenschap eerder op een rij in een overzichtsstudie naar spraakgebaseerde Parkinson-herkenning. 

Het team boekt inmiddels de eerste resultaten. Volgens Tejedor-García beoordelen de modellen bij Parkinson in een vroeg stadium 80 tot bijna 90 procent van de gevallen juist. In een later stadium, wanneer de symptomen duidelijker zijn, ligt dat rond de 95 procent. Tejedor-García houdt wel een slag om de arm. “We zijn er bijna, maar in heel specifieke omstandigheden, binnen heel specifieke domeinen, voor heel specifieke taken.” 

Voordat deze modellen in de spreekkamer worden gebruikt, moet er volgens Tejedor-García nog veel gebeuren. “Alleen een cijfer is niet genoeg voor een neuroloog. Stel: we weten voor negentig procent zeker dat deze patiënt Parkinson heeft. Dan moeten we ook laten zien waarom. We moeten met voorbeelden komen. Er moet een uitleg zijn van hoe het model van binnen denkt. Dat is niet makkelijk.” Het team werkt hier hard aan. Zo ontwikkelde promovendus Yi Zhong een model dat Parkinson herkent en laat zien waar het zich op baseert, zoals toonhoogte en ritme. Hierna publiceerde het team de eerste benchmark voor speech-based EarlyPD detection.  De volgende stap is de uitleg zo eenvoudig maken dat ook wie geen AI-expert is hem kan volgen. 

De algoritmes zijn in orde en er is voldoende rekenkracht. We hebben meer data nodig.

Cristian Tejedor-García, leider van onderzoeksgroep Responsible AI for Voice Diagnostics.

Hulp voor beginnende lezers 

Aan de onderwijskant van het onderzoek luistert AI naar andere nuances in de stem. Het richt zich op leesproblemen bij kinderen die leren lezen. Hoe vaak pauzeert een kind tijdens het voorlezen? Bij welke woorden aarzelt het? Worden er letters door elkaar gehusseld? De antwoorden worden gespiegeld aan een voorbeeld van een vloeiend klinkende tekst. 

Om hier bruikbare resultaten uit te halen, moet de AI precies verstaan wat een kind zegt, óók, of juist, als het fouten maakt. Op dat gebied is sinds de start van de fellowship progressie geboekt. In 2024 testten de onderzoekers eerst welke bestaande spraakherkenningsmodellen voorlezende Nederlandse basisschoolkinderen het best verstaan. Een vervolgstudie uit 2025 koppelde vervolgens spraakherkenner Whisper aan een taalmodel dat weet welke tekst het kind voorleest. Met resultaat. Het aandeel door de modellen verkeerd herkende woorden daalde van 9,4 naar 5,1 procent. De volgende stap is om de toepassing de klas zelf in te brengen. 

Samen met het Nationaal Onderwijslab AI (NOLAI) verzamelt het team spraakopnames uit klaslokalen. Dit doet het aan de hand van een protocol met woordenlijsten, teksten en verhaaltjes die kinderen voorlezen. De opnames uit de klaslokalen worden volgend jaar geanalyseerd. Met deze opnames kunnen de modellen verder worden getraind en getest op hoe kinderen in de klas echt voorlezen, welke fouten ze maken, en hoe ze het best geholpen worden om hun leesvaardigheid te verbeteren. 

Stem veilig houden 

Stemmen inzetten om een diagnose te stellen brengt ook risico met zich mee. Uit een opname van een paar seconden spraak kan je geslacht, leeftijd, of een aandoening die je nog met niemand hebt gedeeld afleiden. Het project bewaart alleen wat echt noodzakelijk is. Ouders, scholen en de kinderen zelf krijgen een toestemmingsformulier dat duidelijk maakt wat er met de opnames gebeurt. Daarna worden de gegevens gepseudonimiseerd. 

De audio-opnames staan veilig op een fysieke locatie, de sleutel die ze aan een bepaald kind koppelt staat weer ergens anders. De bestanden worden gecategoriseerd met anonieme ID’s. “Ik zeg bewust niet volledig geanonimiseerd, want we moeten op een of andere manier terug kunnen naar het kind. Dat is hier de truc.” 

Ook de opnames zelf worden opgeschoond. Alles wat niets met het lezen te maken heeft, gaat weg. Een algoritme anonimiseert de inhoud van de spraak. Als het team iets met de wereld wil delen, dan is dat het resultaat: het getrainde model. De originele opnames zijn daaruit niet terug te halen. Voor medische spraak ontwikkelde het team vergelijkbare methodes, zoals een analyse van privacyrisico’s en een techniek om spraakdata van Parkinsonpatiënten te beschermen. 

Data als obstakel 

Dat er met AI in zorg en onderwijs veel vooruitgang te boeken valt, staat voor Tejedor-García vast. Er is echter een obstakel dat lastig te omzeilen is: data. Vrij beschikbare datasets met stemmen van Parkinson- of Alzheimerpatiënten zijn er bijna niet. En de data die het team in het Radboudumc gebruikt, mag niet worden gedeeld. Alleen de analyses zijn openbaar. “We bevinden ons in een fase van ons onderzoek waarin we meer data nodig hebben. De algoritmes zijn in orde en er is voldoende rekenkracht. We hebben meer data nodig uit het domein, data van hoge kwaliteit.” 

Het team probeert andere onderzoekers daarom aan te moedigen open datasets te maken, met de privacy vooraf goed geregeld. In het onderwijs gaat verzamelen makkelijker, maar ook niet zo snel als Tejedor-García zou willen. “Er zijn meer kinderen dan patiënten die hieraan mee willen doen. Wel is het zo dat voor elke opname toestemming van ouders, school en kind nodig is. In de zorg en op scholen is het moeilijk om data te verkrijgen en openbaar te maken.” 

Elke taal is anders, en dat maakt data verzamelen nóg lastiger. Een model dat op Nederlandse spraak is getraind, werkt niet per se voor een Spaanse spreker. Ook het verschil tussen moedertaalsprekers en anderstaligen speelt een rol. “Zelfs als we veel data zouden hebben, kunnen we die alleen voor één taal toepassen”, zo vat Tejedor-García het dataprobleem samen. 

Talent in Nederland houden 

Tejedor-García kwam in 2021 als postdoc naar Nijmegen. Toen zijn aanstelling afliep, ging hij op zoek naar iets nieuws. In die tijd troffen bezuinigingen het onderwijs en bleek een vaste aanstelling lastig. “Ik ken veel collega’s die de universiteit moesten verlaten.” De fellowship kwam op een perfect moment. Het leverde hem een aanstelling als universitair docent op en zorgde ervoor dat hij in Nederland bleef. Voor zijn team stelde Tejedor-García vijf internationale promovendi en één Nederlandse aan. 

De fellowship heeft nog tweeënhalf jaar te gaan. Zorg, onderwijs en privacy blijven de drie hoofdrichtingen. Er valt nog veel winst te halen, maar welke kant het onderzoek precies op gaat, hangt af van de data die beschikbaar komt. Tejedor-García ziet twee belangrijke voorwaarden om AI in spraakherkenning te laten winnen. “We moeten artsen laten zien en duidelijk maken wat de toegevoegde waarde van AI is. En we moeten genoeg data verzamelen om de modellen betrouwbaar te maken voor iedereen. AI gaat supersnel. Er zijn echt goede modellen. Maar het probleem van het krijgen van data blijft de grootste uitdaging. We weten niet of dat snel wordt opgelost.”