用基于注意力的深度学习人工智能模型对ALS疾病的临床评估和解释

科学领域:

• 神经学 神经学
• 人工智能的人工智能
• 语音科学 语言科学

背景情况:

• 语音障碍症是神经系统疾病的重要症状,例如肌缩侧面硬化症 (ALS).
• 目前用于脱节症分析的AI模型通常使用有限的手工制作功能或缺乏可解释性.
• 深度学习模型提供了更高的准确性,但在临床解释性方面往往存在挑战.

研究的目的:

• 开发和验证一种基于注意力的深度学习人工智能模型,用于评估语音障碍症的严重程度.
• 将人工智能驱动的严重性评估与听众的努力评分相关联.
• 提高AI模型在分析语音恶化的解释性.

主要方法:

• 利用了来自125名患有脱关节障碍的参与者的2,102个远程音频录音.
• 从事听众的努力评分来自三个语音语言病理学家在100分级.
• 开发了一种基于注意力的深度学习模型,直接训练在音频信号上.

主要成果:

• 性能最好的模型实现了0.92的确定系数 (R2) 和6.78.7的根平均平方误差 (RMSE).
• 基于注意力的解释性突出了特定的音符 (例如'r'-受影响的元音) 和启发性声音作为语音恶化的关键指标.
• 该模型在根据音频特征预测失关节症严重程度方面表现出高准确度.

结论:

• 基于注意力的深度学习模型提供了一种精确和可解释的方法来评估语音障碍症的严重程度.
• 这种方法可以识别微妙的语音变化,为ALS和其他神经疾病研究提供了宝贵的工具.
• 该模型通过保持可解释性以及对语音障碍的提高敏感性来提高临床实用性.