该研究使用深度学习和自然语言处理技术，提出了一个框架，通过分析来自 I-CONECT 研究项目的视频访谈生成的文本，区分老年人的轻度认知障碍和正常认知状态。提出的 NLP 框架由两个基于 Transformer 的模块组成，分别为句子嵌入和句子交叉注意力。通过该框架，可以以平均曲线下面积为 84.75% 的准确率区分 MCI 和 NC。

Jan, 2024

使用自动化机器学习方法，通过分析 MCI 患者的言语表述等方式，构建了一个组合 Skip-grams 特征的模型，有效的区分了 19 名 MCI 患者和 19 名健康对照个体，表现良好，有望应用于小型 MCI 数据样本的机器学习预测上。

Nov, 2015

利用深度学习算法从视频中提取面部特征来检测老年人的轻度认知障碍（MCI），通过使用卷积自编码器提取空间整体面部特征和使用变换器提取时间信息的方法，该研究在 I-CONECT 行为干预研究数据中成功地检测了 MCI 病人与正常认知状况的病人，结合特定主题视频中面部特征信息的片段和序列信息可以提高预测性能，最终达到了 88% 的准确率。

Aug, 2023

通过序列机器学习模型和领域知识来预测哪些特征有助于提高性能，为 cognitive impairment detection 等需要解释性的领域的分类提供了示例。

Oct, 2020

本文利用多模态方法，结合语音和文本特征，提出了自动检测阿尔茨海默病的分类框架，并发现语言特征对于阿尔茨海默病的分类比声学特征更为重要，能够提高分类准确率。

May, 2020

该研究通过使用循环卷积神经网络与韵律、词性等特征及单词嵌入，提出了一种自动句子分割方法，用于帮助机器自动识别语言障碍性痴呆疾病患者的语言，获得了比条件随机场模型更好的结果，为自动话语分析工具的发展提供了一定的参考。

Oct, 2016

本文提出了一种新的 Multi-branch Classifier-Video Vision Transformer (MC-ViViT) 模型，通过分析面部特征区分普通认知和轻度认知障碍 (MCI)。作者通过提出的 HP Loss 组合了 Focal Loss 和 AD-CORRE Loss 解决了数据集不平衡的问题，并在 I-CONECT 数据集上取得了 90.63% 的高准确率。

Apr, 2023

本研究利用自监督对比学习方法和基于游程的神经网络模型，通过解剖学磁共振成像生成的结构性脑网络预测 MCI 向 AD 的转变，并可视化模型解释以识别白质通路异常变化。

Mar, 2022

该研究使用医疗电子记录中未结构化的临床笔记数据，采用基于 BERT 预训练模型的深度学习框架，预测从轻度认知障碍到阿尔茨海默症的疾病进展风险。

Nov, 2022

使用多模式深度学习方法通过语音和相应的文本同时检测多种言语段落的诊断，其模型在 Dementiabank Pitt 语料库上获得了 85.3% 的准确率。

Nov, 2020