Mejora de la detección de demencia y deterioro cognitivo con modelos de lenguaje grandes y aprendizaje de...

Área de la Ciencia:

• Neurociencia
• Inteligencia Artificial
• Procesamiento de Señales

Sus antecedentes:

• La demencia presenta un desafío sanitario mundial importante.
• La detección temprana del deterioro cognitivo es crucial para una intervención oportuna.
• El análisis del habla espontánea ofrece un enfoque diagnóstico no invasivo.

Objetivo del estudio:

• Predecir el deterioro cognitivo a partir de muestras de voz para el Gran Desafío de Procesamiento de Señales PROCESS (ICASSP 2025).
• Evaluar la eficacia de la integración de modelos avanzados de IA con características del habla para la evaluación cognitiva.

Principales métodos:

• Se utilizaron características eGeMAPS de openSMILE, HuBERT (representación del habla autosupervisada) y GPT-4o (modelo de lenguaje grande).
• Se integraron características con redes neuronales personalizadas LSTM y ResMLP y regresores/clasificadores de Scikit-learn.
• Se entrenaron modelos con datos de voz de 157 participantes y se evaluaron en un conjunto de prueba separado de 40 personas.

Principales resultados:

• El modelo de regresión LightGBM logró un RMSE de 2.7775, clasificándose décimo a nivel mundial.
• El modelo de clasificación LSTM obtuvo una puntuación F1 de 0.5521 para demencia/deterioro cognitivo leve/control, clasificándose vigésimo a nivel mundial.
• El método propuesto superó a los modelos de referencia en la predicción del deterioro cognitivo.

Conclusiones:

• La integración de modelos de lenguaje grandes con representaciones del habla autosupervisadas mejora la detección del deterioro cognitivo.
• El enfoque proporciona un método escalable y basado en datos para el cribado cognitivo temprano.
• Esta tecnología puede respaldar futuras aplicaciones en informática neuropsicológica.