通过使用深度神经网络,以语音为基础的预先显现的亨廷顿病进展模型.
Luis A Sierra1, Japleen Kaur2, Namhee Kwon3
1Department of Neurology, Beth Israel Deaconess Medical Center, Boston, MA, USA.
Digital biomarkers
|February 23, 2026
概括
语音分析使用深度学习准确地识别出预先显现的亨廷顿病 (preHD). 这种可扩展的方法为神经退行性疾病的早期检测和监测提供了一个有希望的工具.
科学领域:
- 神经科学是一个神经科学.
- 计算生物学 计算生物学
- 语音科学 语言科学
背景情况:
- 亨廷顿病 (HD) 是一种进展性神经退行性疾病,具有运动,认知和精神症状.
- 目前的分期方法对早期,未显现的变化不敏感.
- 语音异常是潜在的数字生物标志物,但区分HD前与对照是具有挑战性的.
研究的目的:
- 评估仅使用语音方法的可行性,以从健康对照组中区分HD前患者.
- 评估各种机器学习分类器和特征集的有效性.
主要方法:
- 采集了94个HD个体 (38个HD前) 和36个控制组的语音样本,使用标准化协议.
- 提取了188个词汇和表达式特征.
- 训练了四个分类器 (随机森林,SVM,XGBoost,DNN) 使用不同特征配置的十倍交叉验证.
主要成果:
- 仅使用Caterpillar通道的深度神经网络 (DNN) 在HD前与对照中实现了81%的准确性.
- 准确度增加到83%,用于预发性HD和87%的所有HD对照.
- 额外的功能或任务并没有提高分类性能.
结论:
- 一个简短的,结构化的语音任务与深度学习相结合,准确地分类了HD前.
- 语音分析是一种可扩展和客观的工具,用于早期HD检测和监测.
