基于 Transformer 网络利用转录文本可解释地识别痴呆症
计算与语言
2022-08-15 v3 计算机与社会
机器学习
摘要
阿尔茨海默病（AD）是痴呆症的主要病因，伴随记忆丧失，若不及时诊断可能对患者日常生活造成严重后果。极少有研究利用基于 transformer 的网络，且尽管取得了高准确率，在模型可解释性方面的工作甚少。此外，尽管简易精神状态检查（MMSE）分数与痴呆识别密不可分，现有研究多将痴呆识别任务与 MMSE 分数预测任务视为两个独立任务。为克服这些局限，我们采用多种基于 transformer 的模型，其中 BERT 取得最高准确率 87.50%。同时，我们提出一种基于孪生网络、可达 83.75% 准确率的 AD 患者可解释检测方法。接着，我们引入两个多任务学习模型，主任务为痴呆识别（二分类），辅助任务为痴呆严重程度识别（多分类）。我们的模型在多任务学习设定下对 AD 患者的检测准确率达 86.25%。最后，我们给出一些识别 AD 与非 AD 患者语言模式的新方法，包括文本统计、词汇独特性、用词、通过细致语言分析的相关性，以及可解释性技术（LIME）。结果表明 AD 与非 AD 患者语言存在显著差异。
引用
@article{arxiv.2109.06980,
title = {Explainable Identification of Dementia from Transcripts using Transformer Networks},
author = {Loukas Ilias and Dimitris Askounis},
journal= {arXiv preprint arXiv:2109.06980},
year = {2022}
}
备注
IEEE Journal of Biomedical and Health Informatics (Accepted)