这篇研究论文探讨了如何通过自然语言处理和机器学习等方法，借助Alzheimer's disease相关数据集，提高人类认知障碍的检测准确性，与传统检测方法相比，使用fine-tuned BERT模型在Alzheimer's disease检测任务上具有更好的表现。

Jul, 2020

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

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

本文提出了一个自然语言处理的架构，该架构可以处理以往需要两个模型完成的任务。通过单一模型，我们分析阿尔茨海默病患者的语言模式和对话上下文，并从两个结果中得出答案：患者分类和聊天机器人。如果聊天机器人在日常生活中识别了患者的语言特征，医生可以为早期诊断制定更精确的诊断和治疗计划。该模型用于开发替代需要专家问卷的聊天机器人。模型执行两个自然语言处理任务：一是“自然语言分类”，指示患者是否患病的概率，二是生成聊天机器人接下来的“回答”。通过自我注意神经网络提取患者发言的上下文向量，在编码器中将其与聊天机器人的问题一起输入，以获取包含提问者和患者之间交互特征的矩阵。矢量化的矩阵成为患者分类的概率值。将矩阵与聊天机器人（调解员）下一个答案一起输入到解码器中，以生成下一个发言。通过使用DmentiaBank的cookie theft描述语料库学习该结构，证实了编码器和解码器的损失函数值显著降低和收敛。这表明，捕捉阿尔茨海默病患者的言语语言模式可以为将来的早期诊断和疾病纵向研究做出贡献。

Oct, 2022

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

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。

Jun, 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

本研究针对现有阿尔茨海默病（AD）检测方法在患者语言特征建模中的局限性，提出了一种基于大型语言模型推理增强的转录特征分析框架。通过系统提取语言缺陷属性，并将其嵌入Albert模型中，显著提高了检测准确性和解释能力，展示了语言模型在AD检测中的潜力。

Sep, 2024

本研究探讨了自然语言处理（NLP）与痴呆研究之间的紧密联系，回顾了200多篇相关文献，识别了关键研究领域，如痴呆检测和语言生物标志物提取。研究发现，尽管已有大量研究集中在临床数据的痴呆检测上，但仍存在许多未被探索的方向，为医药与NLP领域的跨界合作提供了新的机会。

Sep, 2024

本研究解决了大型语言模型在识别神经疾病特征方面缺乏可解释性的问题。提出了一种名为SLIME的方法，能够识别与阿尔茨海默病相关的词汇成分并解释其重要性。研究发现，该方法提高了模型在神经退行性疾病研究中的准确性，增强了对大型语言模型在临床应用中的信心。

Sep, 2024