多诊断场景下基于语音和文本的神经精神疾病自动分类
计算与语言
2023-02-01 v2 机器学习
声音
应用统计
摘要
语音模式已被确定为神经精神疾病的潜在诊断标志物。然而,大多数研究仅将单一临床组与健康对照组进行比较,而临床实践通常需要区分多种潜在诊断(多分类场景)。为了解决这一问题,我们收集了一个包含 420 名参与者(67 名重度抑郁症患者、106 名精神分裂症患者和 46 名自闭症患者,以及匹配的对照组)的重复录音数据集,并基于语音和文本特征,测试了一系列传统机器学习模型和先进 Transformer 模型在二分类和多分类上的性能。虽然二分类模型的性能与以往研究相当(自闭症谱系障碍 ASD 的 F1 分数在 0.54-0.75 之间;重度抑郁症 MDD 的 F1 分数在 0.67-0.92 之间;精神分裂症的 F1 分数在 0.71-0.83 之间),但在区分多个诊断组时,性能显著下降(ASD 的 F1 分数在 0.35-0.44 之间,MDD 的 F1 分数在 0.57-0.75 之间,精神分裂症的 F1 分数在 0.15-0.66 之间,宏平均 F1 分数在 0.38-0.52 之间)。结合基于语音和文本的模型提高了性能,表明它们捕获了互补的诊断信息。我们的结果表明,基于二分类训练的模型可能学会了依赖临床与非临床人群之间一般性差异的标志物,或跨疾病重叠的临床特征标志物,而不是识别特定于个体疾病的标志物。我们为该领域的未来研究提供了建议,建议更加侧重于开发包含更细粒度临床特征的更大跨诊断数据集,以支持开发能更好捕捉神经精神疾病复杂性和自然诊断评估的模型。
关键词
引用
@article{arxiv.2301.06916,
title = {Automated speech- and text-based classification of neuropsychiatric conditions in a multidiagnostic setting},
author = {Lasse Hansen and Roberta Rocca and Arndis Simonsen and Alberto Parola and Vibeke Bliksted and Nicolai Ladegaard and Dan Bang and Kristian Tylén and Ethan Weed and Søren Dinesen Østergaard and Riccardo Fusaroli},
journal= {arXiv preprint arXiv:2301.06916},
year = {2023}
}
备注
24 pages, 5 figures