超越手动成绩单:探索自动语音识别错误在改善阿尔茨海默病检测方面的潜力

科学领域:

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

背景情况:

• 自动语音识别 (ASR) 错误通常被视为有害.
• 以前的观察表明,ASR错误可能有助于对阿尔茨海默病 (AD) 的检测.
• 需要对这种现象进行大规模的验证和机制理解.

研究的目的:

• 为了验证ASR错误对AD检测的有益影响.
• 确定通过ASR错误帮助AD诊断的具体机制.
• 探索对临床ASR模型开发的影响.

主要方法:

• 在ADReSS数据集上使用了18个ASR模型 (原始和微调).
• 从手册和ASR转录中生成语音,使用文本转语音 (TTS) 模型.
• 在自我注意力和交叉注意力AD检测模型中使用基于知识的功能和预训练的嵌入.
• 对ASR错误类型,受影响的单词,语言特征和注意力权重进行了详细分析.

主要成果:

• 某些ASR生成的转录在AD检测准确度方面超过了手动转录.
• 性能增长与特定的,不对称的ASR错误模式有关,而不是高的文字错误率 (WER).
• 这些错误模式放大了阿尔茨海默病发言的现有语言缺陷,增加了群体的分歧.
• 诊断线索被保留在合成语音中,支持数据增强潜力.

结论:

• 特定的ASR错误模式通过放大病理语言缺陷来增强AD检测.
• 这表明ASR发展向诊断实用性的转变,而不是纯粹的转录准确性.
• 这些发现对开发用于神经退行性疾病研究和临床应用的ASR工具有影响.