研究人员表示，机器学习模型可以通过语音检测到患者的认知衰退程度，进而发现潜在的健康问题。
AI+ 医学，带来了最新突破结果。
本月早些时候，加拿大阿尔伯塔大学计算机科学系的 Zehra Shah、Shi-Ang Qi 等人发表了一篇围绕 “使用特定的声学特征检测早期阿尔兹海默症” 的论文，旨在通过声学语音特征结合机器学习模型来检测患者的认知能力下降程度。
结果显示，研究人员开发的模型能够以 70% 至 75% 的准确率区分阿尔茨海默病患者和健康对照组：
总的来说，我们的结果表明，机器学习模型可以检测到语音的认知衰退，即使是在不同的语言（从英语学习，然后在希腊语中使用）和稍微不同的任务（不同的图片）上进行训练。
阿尔茨海默症在早期阶段的检测是具有挑战性的，因为其症状往往开始时相当微妙，并可能与晚年的典型记忆相关问题相混淆。
研究人员指出，尽管不能替代专业医疗诊断，但该模型将为医疗服务提供有效支持，越早发现潜在问题，患者就能越早开始采取行动。
参与创建该模型的计算科学系教授 Eleni Stroulia 表示，患者甚至可以通过智能手机进行访问该模型：
以前，你需要进行实验室工作和医学成像来检测脑部变化；这需要时间，费用高昂，并且没有人会在如此早期进行测试。
如果你使用手机来获得早期指标，这将为患者向医生提供信息。这有可能尽早开始治疗，并且我们甚至可以通过移动设备在家中进行简单干预，以减缓病情的进展。
该论文的另一作者 Russell Greiner 做出进一步解释：
一个人将声音输入工具，它进行分析并作出预测：是，这个人患有阿尔茨海默病，还是否。
然后工具可以将这些信息带给医疗专业人员，以确定对这个人的最佳行动方案。
Greiner 和 Stroulia 都是阿尔伯塔大学计算科学系计算精神经科学研究小组的成员，他们已经开发了类似的人工智能模型和工具，用于检测创伤后应激障碍、精神分裂症、抑郁症和躁郁症等精神障碍。
从语言检测到语音检测
该研究小组表示，他们此前研究过阿尔兹海默病患者的语言使用，但对语音特征的研究可以跨越语言。
Stroulia 表示：
原始工作涉及听说的内容，理解他们所说的意思。这是一个较容易解决的计算问题。现在我们说，聆听他们的声音。人们说话的方式中有一些超越语言的属性。
这比我们之前解决的问题版本要强大得多。
他们从阿尔茨海默病患者中常见的语音特征开始切入，这些患者往往说话较慢，语音中有更多的停顿或中断。他们通常使用较短的词，并且语音的可理解性通常较低。
之后，他们找到了将这些特征转化为模型可筛查的语音特征的方法。
虽然这份研究关注的是使用英语和希腊语的人，但该论文第一作者 Zehra Shah 表示，这项技术有潜力在不同语言中使用。