基于混合词嵌入的鲁棒分类方法用于阿尔茨海尔病早期诊断
计算与语言
2025-10-17 v1 人工智能
机器学习
音频与语音处理
摘要
早期检测阿尔茨海尔病（AD）对AD患者具有极大的益处，可导致症状减轻并减轻医疗保健费用的负担。作为AD的主要症状之一，语言能力的变化可用于AD的早期诊断。本文开发了一种基于混合词嵌入和微调超参数的鲁棒分类方法，以实现AD早期诊断的领先准确率。具体而言，我们基于Doc2Vec和ELMo的词向量创建混合词嵌入，以获取句子的perplexity分数。这些分数识别句子是否顺畅，并捕捉句子的语义上下文。通过添加语言特征来丰富词嵌入，以分析句法和语义。进一步，我们将嵌入特征向量输入到逻辑回归中，并在整个管道中微调超参数。通过调整机器学习管道的超参数（例如模型正则化参数、学习率和Doc2Vec的向量大小，以及ELMo的向量大小），我在区分早期AD和健康受试者的任务中实现了91%的分类准确率和97%的ROC曲线下面积。基于我的知识，我的模型在准确率达到91%且ROC曲线下面积达到97%时，超过了现有最佳NLP模型用于AD诊断的准确率（88%）[32]。我通过多次实验研究模型稳定性，发现即使训练数据被随机分割，模型也保持稳定（准确率标准差为0.0403；ROC曲线下面积标准差为0.0174）。这确认了我们提出的方法是准确且稳定的。这一模型可用于AD的大规模筛查，以及作为医生检测AD的补充检查。
引用
@article{arxiv.2510.14332,
title = {A Robust Classification Method using Hybrid Word Embedding for Early Diagnosis of Alzheimer's Disease},
author = {Yangyang Li},
journal= {arXiv preprint arXiv:2510.14332},
year = {2025}
}
备注
Peer-reviewed and published in Proceedings of the 2020 3rd International Conference on Algorithms, Computing and Artificial Intelligence (ACAI 2020). 7 pages, 5 figures