优化自然语言处理方法用于使用GPT嵌入式自动检测阿尔茨海默病

科学领域:

• 计算语言学计算语言学
• 神经退行性疾病诊断神经退行性疾病诊断
• 医疗保健中的人工智能

背景情况:

• 早期发现阿尔茨海默病 (AD) 对于有效的管理和预防至关重要.
• 需要使用非侵入性和具有成本效益的诊断方法来改善可访问性和患者的治疗结果.
• 自然语言处理 (NLP) 提供了一种有前途的途径,用于分析表明认知能力下降的语音模式.

研究的目的:

• 为了优化阿尔茨海默病 (AD) 检测,使用NLP技术应用于自发言语.
• 评估各种音频增强和人工智能驱动的转录方法用于AD检测的有效性.
• 评估训练在语音转录上的机器学习分类器的性能,以识别AD.

主要方法:

• 用Boll光谱减法处理语音数据以增强音频.
• 使用本地AI模型 (Wav2Vec,Whisper) 和基于云的服务 (IBM Cloud,Rev AI) 生成转录,与手动转录相比.
• 支持矢量机 (SVM) 分类器使用基于GPT的转录嵌入进行训练和验证.

主要成果:

• 基于AI的转录在AD检测准确性和F1分数方面明显超过了手工方法.
• 带有增强音频的Wav2Vec在本地系统中实现了最高的性能 (精度和F1分数为0.99).
• 使用标准音频的Rev AI在基于云的系统中表现出最好的性能 (精度和F1得分为0.96).
• 面试官的演讲对模型的表现产生了负面影响,而音频增强的效果是最小的.

结论:

• 目前的AI转录和NLP技术在使用可用的语音数据检测阿尔茨海默病 (AD) 方面非常有效.
• 在区分可能的AD和轻度认知障碍 (MCI) 方面仍然存在挑战,因为这些早期阶段的培训数据有限.
• 这些发现为通过语音分析开发AD检测的自动化系统奠定了基础.