ディープニューラルネットワークを用いた前臨床ハンチントン病進行の音声ベースモデルに向けて

背景:

• ハンチントン病（HD）は、運動、認知、精神症状を伴う進行性の神経変性疾患です。
• 現在の病期分類法は、早期の前臨床変化に鈍感です。
• 音声異常は潜在的なデジタルバイオマーカーですが、pre-HDと対照群を区別することは困難です。

研究 の 目的:

• 音声のみのアプローチでpre-HDと健常対照群を識別する実現可能性を評価すること。
• 様々な機械学習分類器と特徴セットの効果を評価すること。

主な方法:

• 標準化されたプロトコルを使用して、94人のHD患者（38人はpre-HD）と36人の対照群から音声サンプルを収集しました。
• 188の語彙的および韻律的特徴を抽出しました。
• 4つの分類器（ランダムフォレスト、SVM、XGBoost、DNN）を、異なる特徴構成で10倍交差検証を使用してトレーニングしました。

主要な成果:

• DNNは、Caterpillar passageのみを使用して、pre-HD対対照群で81%の精度を達成しました。前駆HDでは83%、全HD対対照群では87%に精度が向上しました。追加の特徴やタスクは、分類性能を向上させませんでした。

結論:

• 短い構造化された音声タスクとディープラーニングを組み合わせることで、pre-HDを正確に分類できます。
• 音声分析は、HDの早期検出とモニタリングのためのスケーラブルで客観的なツールです。