基于非结构化自发言语的轻度认知障碍检测系统:纵向双模式框架
Yu-Shan Liao1, Thiri Wai2, Ting-Yun Liao1
1Graduate Institute of Networking and Multimedia, National Taiwan University, Taipei, Taiwan.
JMIR medical informatics
|January 15, 2026
概括
这项研究引入了一种新的双模式系统,使用自传记忆 (AM) 语音数据来早期检测轻度认知障碍 (MCI). 该系统随着时间的推移跟踪认知变化,提高了这种与衰老相关的疾病的诊断准确性.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 老年学是指老年学的学科.
背景情况:
- 随着全球人口老龄化,包括阿尔茨海默氏症在内的认知疾病正在增加.
- 轻度认知障碍 (MCI) 是一个关键的过渡阶段,需要早期诊断以减缓疾病的进展.
- 早期发现MCI对于及时治疗和管理医疗保健成本至关重要.
研究的目的:
- 利用自传记忆 (AM) 语音数据开发一种双模纵向认知检测系统,用于MCI.
- 通过分析语音和文本数据来提高MCI检测的准确性.
- 通过老化轨迹模块,通过自发言语追踪随时间的认知变化.
主要方法:
- 利用自传记忆 (AM) 测试语音数据进行双模分析 (语音和文本).
- 引入了具有本地和全球对齐损失功能的衰老轨迹模块,以捕捉与时间相关的认知变化.
- 开发了一种纵向检测系统,可以在多个时间点监测认知状态.
主要成果:
- 纵向模型与衰老轨迹模块在两个中国数据集上实现了0.85和0.89的AUC.
- 与横截面,单个时间点模型相比,显示出显著的改进.
- 在ADReSSo数据集上验证了模型的概括性,达到超过0.88.8的准确性.
结论:
- 通过使用纵向AM语音数据,提出了用于早期MCI检测的非侵入性,可扩展的方法.
- 带有衰老轨迹模块的双模系统有效捕捉认知衰退趋势.
- 该方法显示了对现实世界和长期认知监测的稳定性和通用性.


