通过对 2000-2019 年关于使用人工智能、语音和语言处理来预测老年痴呆症认知下降的研究进行系统回顾,总结出近 51 项相关研究的详细信息、研究过程及其局限,并提出解决策略。虽然这 51 项研究结果令人惊喜,但仍存在许多问题,如缺乏标准化、结果有限的可比性以及研究目标与临床应用之间的脱节,需要进一步深入研究来解决这些问题。
Oct, 2020
本文回顾了关于人工智能和非人工智能评估痴呆的论文,旨在为医疗社区和人工智能工程师提供有关痴呆症评估的各种方法和数据集的有价值信息,并强调现有解决方案的研究方向和成熟度
Jun, 2023
本文旨在探讨阿尔茨海默病对词汇不同方面的影响,以及证明这些词汇特征在机器学习分类器中的应用可以实现最先进的性能,通过 ADDreSS 挑战数据集和语言样本实验结果验证阿尔茨海默病对词汇处理的显著影响。
Jul, 2023
本文使用 NLP 技术对 DementiaBank 数据集中 Alzheimer's 病人的语言特征进行分类和分析,利用 CNN、LSTM-RNN 和两者的组合进行分类,识别语言样本,获得了 AD 识别任务的新的独立基准精度。最后通过激活聚类和导数显著性技术分析神经网络的学习特征,自动发现激活簇内不同语法模式,进一步阐述了 AD 患者的语言特征,揭示了神经网络模型的局限性。
Apr, 2018
通过机器学习、自然语言处理和信号处理等方法,计算语言评估是对老年和高风险人群的神经认知评估的改进,可促进危险和语言障碍人群的诊断、预后和治疗效果,并允许更轻松地扩展以评估来自各种语言的患者。
May, 2023
随着医疗技术、预防保健和老年健康的日益重视,全球平均寿命不断增长。因此,开发能够检测和追踪老年人群中与认知功能有关的老化相关疾病的技术至关重要。特别是,自动检测和评估阿尔茨海默病(AD)的研究具有重要性,因为该疾病的流行度以及现有方法的成本。在该研究中,我们使用自然语言处理和机器学习等技术,比较和对比了 10 种线性回归模型在 ADReSS 挑战数据集上对 Mini-Mental 状态检查得分进行预测的性能。通过使用两种方法选择的 54 种最佳特征的子集(1)递归淘汰和(2)相关性得分,我们超越了用于相同任务的最先进的基线。在评分和评估每个模型的每个所选特征子集的统计显着性时,我们发现,对于给定的任务,手工制作的语言特征比声学和学习特征更具有显着性。
Sep, 2022
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
本研究探讨了大型语言模型(LLM),特别是 GPT-4,在痴呆症诊断中的潜力和局限,通过对两个真实临床数据集的实验结果表明,尽管 LLMs 具有未来进步的潜力,但目前在诊断准确性方面仍不及传统 AI 工具。
通过自动学习语言模型和强化自然语言处理任务,我们构建了数字化语言标记,可以测量沟通质量和各种语言障碍的强度,并揭示了与病情进展相关的逐渐语言损害的有用见解。
Oct, 2023
提出了一种智能对话系统,用于娱乐老年人并通过聊天对话阶段评估认知能力,并通过机器学习算法检测认知障碍,从而实现自动化的认知障碍检测方法。
May, 2024