自动语音分析以区分前额和右前额叶缩在前额期痴呆症

科学领域:

• 神经学和计算语言学 神经学和计算语言学
• 神经退行性疾病研究
• 在临床诊断中的语音分析.

背景情况:

• 前性痴呆症 (FTD) 包含诸如行为变异性FTD (bvFTD) 和语义行为变异性FTD (sbvFTD) 这样的亚型,由于重叠的症状和大脑缩模式,它存在诊断挑战.
• 精确区分FTD亚型对于有针对性的临床试验至关重要,特别是那些专注于TDP-43蛋白病变的临床试验.
• 现有的诊断方法面临局限性,需要探索新的,非侵入性工具.

研究的目的:

• 调查自动语音分析在区分FTD与占主导地位的额叶缩和FTD与占主导地位的右前叶缩 (rATL) 之间的有效性.
• 探索自动语音分析作为FTD亚型的非侵入性诊断工具的潜力.
• 为了将语音特征与FTD中的特定神经解剖学模式相关联.

主要方法:

• 一项涉及62名参与者的横截面研究 (16名前额缩,24名rATL缩,22名对照) 来自加利福尼亚大学旧金山大学记忆与衰老中心.
• 自动提取和分析16个语言和声学特征从音频录制的图片描述任务使用逐步后勤回归和接收器操作特征曲线分析.
• 基于Voxel的形态测量被用来检查大脑与行为之间的关系.

主要成果:

• 自动语音分析成功地将整体FTD组与健康对照组区分开来,使用三个特征:内容单位,词汇频率和熟悉度,准确度高 (AUC = 0.973).
• 在FTD组中,五个特定的语音特征 (附加词/总词比,唤起,音节暂停时间,重启和"东西"词) 区分了正面与rATL缩 (AUC = 0.943).
• 神经成像揭示了语义语音特征与叶结构,语音/词汇特征与前额回转,社会情感特征与社会认知区域之间的关联,五个特征的综合得分与rATL缩有独特联系.

结论:

• 自动语音分析在区分FTD亚型方面表现出显著的准确性,并提供了对语言缺陷神经支的见解.
• 这项技术为早期FTD诊断和监测提供了一个可扩展的,非侵入性的替代方案,在资源有限的环境中尤其有价值.
• 建议通过纵向研究,多样化的种群和与其他生物标志物的整合进行进一步的验证.