Leveraging language and cognitive data for PPA subtyping: A systematic review of AI-based approaches
Notice bibliographique
Résumé
Primary Progressive Aphasia (PPA) is a neurodegenerative disorder marked by a gradual and selective decline in language. Accurate classification into its three clinical variants-nonfluent/agrammatic (nfvPPA), semantic (svPPA), and logopenic (lvPPA)-is essential but often limited by the time demands and expertise required for traditional assessments. This systematic review evaluates the application of artificial intelligence (AI) in the detection and classification of PPA variants using language and cognitive data. Following PRISMA 2020 guidelines, 14 peer-reviewed studies published between 2014 and 2024 were included. Studies were grouped by input modality: transcribed speech, acoustic features, multimodal data, and language-focused neuropsychological or task-based inputs (excluding studies based solely on general cognitive screening tools). Each was analyzed for methodological approach, AI technique, classification performance, and clinical relevance. AI-based approaches demonstrated high accuracy in distinguishing PPA variants. Transcribed linguistic features provided a practical and effective input source, while acoustic features were particularly sensitive to motor speech deficits in nfvPPA. Multimodal methods achieved the highest classification performance, and task-based models relying on language-oriented standardized assessments yielded interpretable and clinically applicable results. AI-driven analysis of language and cognitive data shows strong potential for improving PPA diagnosis and subtype classification. Future work should address limitations such as methodological variability, and lack of pathological validation. Advancements in cross-linguistic datasets, model transparency, and clinical integration will be essential for broader adoption.
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 | 0,025 | 0,108 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,008 | 0,010 |
| Bibliométrie | 0,018 | 0,014 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
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 ».