通过语音和语言建模实现包容性大规模阿尔茨海默病检测

科学领域:

• 计算语言学计算语言学
• 神经科学是一个神经科学.
• 机器学习 机器学习

背景情况:

• 现有的基于语音的阿尔茨海默病和相关痴呆症 (ADRD) 检测方法由于样本规模较小和语言/记录多样性有限,缺乏通用性.
• 以前的研究经常使用简化的二进制分类,未能捕捉认知衰退进展的细微差别.

研究的目的:

• 开发一个多式联络框架,以在不同群体中进行可适应和通用的ADRD检测.
• 通过实施三类系统 (认知正常,轻度认知障碍,ADRD) 来改进二进制分类.

主要方法:

• 综合语言不可知,多语言和语言依赖的模型与人口统计数据.
• 将框架应用于PREPARE挑战集体 (2058名演讲者) 进行三类分类.
• 采用偏差缓解策略,包括模型融合,数据增强和加权交叉损失.

主要成果:

• 在内部测试集中获得了F1得分0.71和日志损失0.63.
• 对外部测试数据表现出强大的概括能力.
• 鉴定了尽管有偏见缓解,但代表性不足的子组仍然面临挑战.

结论:

• 整合可泛化和特定语言的特征对于可扩展和准确的ADRD检测至关重要.
• 拟议的框架提供了一个可扩展的,包容性的系统,用于早期检测ADRD,支持及时干预.
• 未来的工作重点是扩大语言多样性,任务多样性和融合策略,以提高临床稳定性.