对基于语音的认知衰退检测可解释的人工智能方法的系统审查

科学领域:

• 神经科学是一个神经科学.
• 计算机科学 计算机科学
• 人工智能的人工智能

背景情况:

• 分析语音的人工智能 (AI) 模型显示出识别认知衰退的潜力,其表现与临床评估相当.
• 人工智能的"黑子"性质阻碍了临床采用,因为需要透明的决策过程,进一步复杂的监管要求,如GDPR和医疗器械法规.
• 可解释性对于医疗保健专业人员来说至关重要,他们可以信任并将AI工具集成到临床实践中,用于诊断阿尔茨海默病和轻度认知障碍等疾病.

研究的目的:

• 系统地审查用于基于语音检测阿尔茨海默病 (AD) 和轻度认知障碍 (MCI) 的可解释AI (XAI) 技术.
• 评估性能和识别XAI方法在语音分析中用于认知衰退检测的关键特征.
• 突出目前XAI在神经退行性疾病临床应用中的缺口和未来方向.

主要方法:

• 按照PRISMA指导方针对六个数据库进行了系统的文献审查,截至2025年5月.
• 包括的研究采用了各种XAI技术,如SHAP,LIME,注意力机制以及机器学习架构中的新方法.
• 分析的重点是利用语音数据检测认知能力下降的研究,特别是AD和MCI.

主要成果:

• 该审查从2077个记录中确定了13项符合纳入标准的研究.
• XAI模型实现了高性能,曲线下的面积 (AUC) 值从0.76到0.94.9不等.
• 一贯识别的语音标记包括声学特征 (暂停模式,语音速率) 和语言特征 (词汇多样性,代词使用).

结论:

• 在检测认知衰退方面,XAI技术为基于语音的AI模型提供了有希望的解释性.
• 识别的声学和语言特征为AI模型如何从语音评估认知状态提供了见解.
• 在利益相关者参与,现实世界的验证和标准化的评估框架中仍然存在重大差距,以实现广泛的临床采用.