人工智能在通过分析语音样本检测早期认知衰退方面显示出前景，根据华盛顿州立大学埃尔森·弗洛伊德医学院的最新研究。这一发现有望转化为更准确、高效的脑健康评估方法。
一项在美国言语语言听力协会（ASHA）大会上展示的试点研究发现，一个机器学习模型在75%的案例中准确识别出了存在认知衰退的个体。
语音分析最近作为一种非侵入性且成本效益高的轻度认知障碍筛查工具出现，而轻度认知障碍是阿尔茨海默病及相关痴呆症的风险因素。患有阿尔茨海默病的人通常会在认知衰退迹象出现之前，表现出言语模式的细微变化，例如说话速度变慢或音调变高。
“目标是看模型是否能够识别出与认知衰退相关的不同言语模式，然后利用这些信息不是为了做出诊断，而是识别出可能存在风险的人，”言语与听力科学系本科生Solveig Anderson说道，她与助理教授Amy Kemp博士（CCC-SLP）合作领导了这项研究。
早期发现认知衰退对于采取干预措施至关重要，这些措施可以改善生活质量，并在尽可能长的时间内保持个体的独立性。通常，老年人直到出现明显症状（如影响日常功能的记忆丧失）才寻求护理。但对语音特征的常规筛查可能会改变这一现状。
“许多导致阿尔茨海默病或痴呆症的风险因素是可改变的，”Anderson表示。“如果我们能开发出一种方法更早地识别出高风险人群，他们就可以在失去独立性之前做出改变。”
在这项研究中，六名轻度至中度认知障碍的老年人和六名没有认知障碍的老年人完成了一项词汇流畅性任务。录音的语音样本被分析以获取声学特征，包括音调、音量和各种特征的变化。研究人员将所得数据输入基本的机器学习模型K-最近邻（KNN），这是一种根据数据点与其他点的相似性进行分类的算法。
该模型准确分类了12名参与者中的9人，显示出中等预测价值。基于这个小样本的成功，研究人员计划开展更广泛的研究，利用大数据集评估该技术并提高模型的准确性。
虽然KNN不会很快取代医疗保健专业人员，但机器学习模型显示出补充临床医生评估和扩大筛查工作的潜力。一个机器学习程序可以分析位于世界任何地方的数百万患者的样本，这种灵活性也可能改善农村社区获得筛查的机会。
媒体联系人：Stephanie Engle，WSU埃尔森·弗洛伊德医学院传播与营销部，电话：509-368-6937，邮箱：stephanie.engle@wsu.edu
特色教师
【全文结束】