语音分析作为数字生物标记:用于自动化多发性硬化症分类的机器学习方法
Jonathan Delgado Hernández1, Moisés Betancort Montesinos1, Tatiana Romero Arias2
1Universidad de La Laguna, Spain.
Multiple sclerosis and related disorders
|March 4, 2026
概括
对语音数据的机器学习分析可以准确地分类多发性硬化症 (MS). 这种非侵入性方法对早期MS检测和诊断支持有希望.
科学领域:
- 神经学 神经学
- 生物医学工程 生物医学工程
- 数据科学数据科学数据科学
背景情况:
- 多发性硬化症 (MS) 中微妙的运动障碍可以通过语音分析进行非侵入性检测.
- 声学语音分析为早期检测和MS的分类提供了一个潜在的方法.
研究的目的:
- 开发和验证一种机器学习 (ML) 框架,用于使用声学语音分析进行多发性硬化症 (MS) 自动分类.
- 根据语音参数评估ML模型在基于MS的个体和没有MS的个体之间的歧视方面的有效性.
主要方法:
- 一组300名参与者 (200名MS,100名对照) 提供了语音录音;提取了15个声学特征.
- 一个弹性网络模型确定了关键的语音参数,训练了五个监督的ML分类器.
- 最好的模型在一个独立的100个人的队列上得到了验证.
主要成果:
- 随机森林模型在独立验证中取得了强大的表现.
- 该模型表现出强大的区分能力,ROC AUC为0.85,平衡精度为0.80.
- 绩效独立于MS样本患病率.
结论:
- 声学语音分析与ML相结合,为MS歧视提供了一种非侵入性,具有成本效益的方法.
- 这种方法具有作为多发性硬化症分类支持工具的巨大潜力.
- 进一步的研究可以探索将语音分析整合到常规MS诊断中.
