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

本研究采用基于CNN-LSTM体系结构的神经模型，使用定向和隐式学习的方法从对话转录中学习，从而检测阿尔茨海默病及相关痴呆疾病的存在，实现了对DementiaBank数据集的新的最先进性能，将参与者分类为AD和对照组的F1分数达到0.929。

Jun, 2019

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

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

本文通过数据增广方法研究痴呆症检测任务，并在两种建模方式中进行实证评估，结果表明数据增广可提高文本和音频领域的性能。

Jun, 2022

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

本文通过使用基于提示的微调技术，结合语音中存在的顿挫特征，优化了已有的语言模型，建立了一套AD自动检测系统，实验结果表明利用提高语调或语速左右的提示词建议的自然而然的语音可以有效提高自动检测系统的性能。

Oct, 2022

这项研究通过使用患者的语音和剧本数据，通过预训练语言模型和图神经网络来构建语音剧本的图，并提取特征进行阿尔茨海默病检测，同时引入音频数据和对小数据集进行增强处理，进而将音频特征与文本特征融合，最后尝试将语音剧本转化为音频进行对比学习，研究结果揭示了在使用语音和音频数据进行阿尔茨海默病检测中的挑战和潜在解决方案。

Jul, 2023

本研究针对全球50百万名认知障碍患者及其日益增多的趋势，提出了一种利用大语言模型（LLM）和最新自然语言处理技术的聊天机器人解决方案，以实时提供可解释的机器学习预测。该系统通过精确的自然语言分析和解释性仪表板，旨在战胜模型潜在的偏见，并帮助临床工作者作出更好的诊断决策，分类结果在所有评估指标上均超过80%。

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