使用深度神经网络在帕金森病和脊髓小脑退化的语言区分

科学领域:

• 神经学 神经学
• 语言病理学 语音病理学
• 人工智能的人工智能

背景情况:

• 在神经退行性疾病中评估缺关节症有助于诊断.
• 深度神经网络 (DNN) 在音频任务中表现出色,但它们在通过语音区分神经退行性疾病中的使用尚未得到充分探索.
• 这项研究研究了使用语音区分帕金森病 (PD) 与脊髓小脑退化 (SCD) 的DNN.

研究的目的:

• 评估DNN变压器模型在区分PD患者与SCD患者的语音数据方面的能力.
• 评估AI在分析语音中对神经退行性疾病分类的潜力.

主要方法:

• 从251名PD患者和101名SCD患者收集了语音样本,他们阅读了一段经文.
• 一个预训练的DNN模型使用来自语音数据的log-mel光谱图进行了微调.
• 使用五倍交叉验证来评估预测性能 (AUC,精度,灵敏度,特异性).

主要成果:

• DNN模型实现了平均曲线下的面积 (AUC) 为0.93 ± 0.04.
• 平均准确度为0.87 ± 0.03,灵敏度为0.83 ± 0.05,特异性为0.89 ± 0.05.
• 这些结果表明,在区分PD与SCD语音模式方面的高性能.

结论:

• DNN模型有效地区分了PD患者和SCD患者的言语模式,具有高准确性和AUC.
• 这种非侵入性,易于实施的方法显示了查和远程医疗应用的前景.
• 这些发现支持使用人工智能驱动的语音分析来区分神经退行性疾病.