Detecting a History of Repetitive Head Impacts from a Short Voice Recording
Notice bibliographique
Résumé
ABSTRACT Repetitive head impacts (RHI) are associated with an increased risk of developing various neurodegenerative disorders, such as Alzheimer’s disease (AD), Parkinson’s disease (PD), and most notably, chronic traumatic encephalopathy (CTE). While the clinical presentation of AD and PD is well established, CTE can only be diagnosed post-mortem. Therefore, a distinction can be made between the pathologically defined CTE and RHI-related functional or structural brain changes (RHI-BC) which may result in CTE. Unfortunately, there are currently no accepted biomarkers of CTE nor RHI-BC, a major hurdle to achieving clinical diagnoses. Interestingly, speech has shown promise as a potential biomarker of both AD and PD, being used to accurately classify individuals with AD and PD from those without. Given the overlapping symptoms between CTE, RHI-BC, PD and AD, we aimed to determine if speech could be used to identify individuals with a history of RHI from those without. We therefore created the Verus dataset, consisting of 13 second voice recordings from 605 professional fighters (RHI group) and 605 professional athletes in non-contact sports (control group) for a total of 1210 recordings. Using a deep learning approach, we achieved 85% accuracy in detecting individuals with a history of RHI from those without. We then used our model trained on the Verus dataset to fine-tune on publicly available AD and PD speech datasets and achieved new state-of-the-art accuracies of 84.99% on the AD dataset and 89% on the PD dataset. Finding a biomarker of CTE and RHI-BC that presents early in disease progression is critical to improve risk management and patient outcome. Our study is the first we are aware of to investigate speech as such a candidate biomarker of RHI-BC.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 ».