将口语作为认知功能衰退的生物标志物用于自动筛查
摘要
及时且准确的认知功能衰退评估仍是重大的未满足需求。语音生物标志物提供了一种可扩展、非侵入且成本效益良好的自动筛查解决方案。然而，机器学习(ML)的临床实用性受限于可解释性和对现实语音数据集的可泛化性。我们对解释性机器学习用于阿尔弗雷德病及相关痴呆(ADRD)的筛查以及严重程度预测进行评估，使用基准数据集 DementiaBank 语音(N = 291, 64% 女性, 69.8 (SD = 8.6) 岁)。我们在居家收集的试点数据中验证了可泛化性(N = 22, 59% 女性, 76.2 (SD = 8.0) 岁)。为增强临床实用性，我们对风险进行分层并评估语言特征的重要性。我们表明，针对语言特征的随机森林模型用于 ADRD 检测，平均灵敏度为 69.4% (95% 置信区间(CI) = 66.4-72.5)，特异度为 83.3% (78.0-88.7)。在试点数据上，该模型获得平均灵敏度为 70.0% (58.0-82.0)，特异度为 52.5% (39.3-65.7)。对于预测 Mini-Mental State Examination (MMSE) 评分，随机森林回归器实现平均绝对 MMSE 误差为 3.7 (3.7-3.8)，在试点数据上的表现为 3.3 (3.1-3.5)。风险分层在测试集上提高了 13% 的特异度，为临床分诊提供了路径。与 ADRD 相关的语言特征包括：增加代词和副词的使用、更大的不连贯性、较少的分析性思维、较低的词汇多样性以及更少反映心理完成状态的词语。我们的预测建模显示出与对话技术集成于家庭中以监测认知健康并分诊高风险个体、实现早期筛查和干预的前景。
引用
@article{arxiv.2501.18731,
title = {Evaluating Spoken Language as a Biomarker for Automated Screening of Cognitive Impairment},
author = {Maria R. Lima and Alexander Capstick and Fatemeh Geranmayeh and Ramin Nilforooshan and Maja Matarić and Ravi Vaidyanathan and Payam Barnaghi},
journal= {arXiv preprint arXiv:2501.18731},
year = {2026}
}
备注
Published in Nature Communications Medicine (2025)