论阿尔茨海默病检测中的类内变异问题
音频与语音处理
2025-09-29 v3 人工智能
计算与语言
机器学习
声音
神经元与认知
摘要
阿尔茨海默病（AD）检测采用机器学习分类模型来区分患有 AD 和未患 AD 的个体。与传统的分类任务不同，我们将类内变异确定为 AD 检测中的一个关键挑战：患有 AD 的个体表现出一系列认知障碍。因此，简单的二元 AD 分类可能会忽略两个关键方面：类内异质性和实例级不平衡。在这项工作中，我们发现使用样本分数估计器可以生成与认知分数对齐的样本特定软分数。随后，我们提出了两种简单而有效的方法：软目标蒸馏和实例级再平衡，分别针对这两个问题。基于 ADReSS 和 CU-MARVEL 语料库，我们展示并分析了所提方法在检测性能方面的优势。这些发现为开发稳健可靠的 AD 检测模型提供了见解。
引用
@article{arxiv.2409.16322,
title = {On the Within-class Variation Issue in Alzheimer's Disease Detection},
author = {Jiawen Kang and Dongrui Han and Lingwei Meng and Jingyan Zhou and Jinchao Li and Xixin Wu and Helen Meng},
journal= {arXiv preprint arXiv:2409.16322},
year = {2025}
}
备注
Accepted for publication in Proc. of Interspeech 2025 conference. Note: this is an extended version of the conference paper, with an additional section included