Machine learning analysis of speech and eye tracking data to distinguish Alzheimer's clinic patients from healthy controls
Notice bibliographique
Résumé
Abstract Background Clinical trials of disease‐modifying therapies for Alzheimer’s disease (AD) are increasingly focused on recruiting individuals with preclinical or early‐stage disease. Artificial intelligence may help in enriching clinical trial populations with high‐risk individuals. We analyzed prospectively‐collected speech and eye‐tracking data to distinguish individuals with mild‐moderate AD, mild cognitive impairment (MCI), and subjective memory complaints (SMC) from age and sex‐matched healthy volunteers. Method Individuals with known clinical diagnoses of AD, MCI, and SMC from a specialty clinic, and healthy controls from the community, were prospectively recruited. Participants described the “Cookie Theft Picture” from the Boston Aphasia Battery. Their speech was recorded and manually transcribed and eye movements were assessed using an infrared eye‐tracker. Data underwent feature extraction for language‐related features including lexical and acoustic parameters (from transcripts and speech), and fixation and saccades (from eye‐tracking). Additionally, for language and eye‐tracking, features capturing spatial neglect are explored following the approach in [1]. Separate predictive models were examined using logistic regression (LR), K‐Nearest Neighbours (KNN), and random forests (RF). Result Recruitment and analysis are ongoing. Data from 34 clinic patients (9% SMC, 35% MCI, 56% mild‐moderate AD, mean age 7310, 44% female) and 39 controls (mean age 6811, 79% female) is reported. Best speech‐based models distinguished patients from controls with an Area Under the ROC Curve (AUC) of 79% (95% CI 0.70‐0.87). Eye‐tracking‐based models reached distinguished patients from controls with an AUC of 71% (95% CI 0.59‐0.82). Conclusion Machine‐learning mediated analysis of speech and eye‐tracking data achieved promising classification performance with the current cohort. Both increasing the size of the corpus with ongoing recruitment, and combining demographic and clinical data alongside multimodal feature fusion, may help to improve classification.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».