利用声学语音参数来解读轻度认知障碍患者的粉样蛋白状况
Fernando García-Gutiérrez1, Marta Marquié1,2, Nathalia Muñoz1
1Ace Alzheimer Center Barcelona, Universitat Internacional de Catalunya, Barcelona, Spain.
Frontiers in neuroscience
|September 25, 2023
概括
使用机器学习分析自发语音可以检测临床前阿尔茨海默病 (AD) 生物标志物. 语音分析准确地预测了轻度认知障碍 (MCI) 患者的粉样蛋白状况,优于传统测试.
科学领域:
- 神经科学是一个神经科学.
- 计算语言学 计算语言学
- 生物标志物发现发现
背景情况:
- 阿尔茨海默病 (AD) 是一种进展性神经退行性疾病,目前没有治愈方法,需要在临床前阶段如轻度认知障碍 (MCI) 早期检测.
- 大脑脊髓液 (CSF) 中的氨基酸β 42 (Aβ42) 水平是AD发病的关键生物标志物,但CSF分析是侵入性的.
- 开发非侵入性,具有成本效益的方法来检测Aβ42阳性对于早期AD干预至关重要.
研究的目的:
- 研究中枢神经液粉样状况与MCI患者自发言语的声学特征之间的相关性.
- 通过语音分析评估机器学习模型在预测粉样蛋白阳性的有效性.
- 将声学生物标志物的诊断性能与传统的神经心理测试进行比较.
主要方法:
- 52名MCI患者接受了自发语音任务 (Cookie Theft图片描述).
- 使用扩展的日内瓦极简主义声学参数集 (eGeMAPS) 提取了88个声学参数.
- 机器学习模型被训练和验证以分类粉样蛋白状态,并应用可解释性技术.
主要成果:
- 最好的机器学习模型在预测粉样蛋白状况时实现了75%的准确性和0.79的AUC.
- 语音的声学分析显著超过了传统的神经心理测试 (AUC = 0.66).
- 特定的声学变量被认为对确定粉样蛋白阳性状态有影响.
结论:
- 自发言语的自动分析为临床前AD生物标志物提供了宝贵的见解.
- 从语音记录中获得的数字生物标志物为识别患有AD高风险的个体提供了一个有希望的途径.
- 语音分析代表了早期AD检测和干预策略的新,非侵入性工具.
