摘要
背景
阿尔茨海默病(AD)导致语言和认知能力进行性下降。自动语音分析已成为一种有前景的筛查工具，但临床数据稀缺限制了研究进展。为此，我们生成了一个大规模模拟语音数据集，用于模拟认知阶段(对照组、轻度认知障碍(MCI)和AD)中的语言和声学退化过程。
方法
我们使用蒙特卡洛模拟方法，重现了Pitt DementiaBank的"饼干盗窃"叙述任务。声学特征(语速、停顿持续时间、抖动、抖颤)和语言特征(词型-词例比、唯一词计数、填充词使用)均从真实世界DementiaBank分布中合成采样。我们训练了一个XGBoost分类器来区分诊断组，并应用SHAP(Shapley加性解释)评估特征重要性。
结果
该模型实现了高判别性能(AUC≈0.94；准确率≈85%)。与对照组相比，模拟的MCI和AD组显示出流畅性和词汇多样性的进行性下降，以及不流畅性和声音不稳定性增加。SHAP分析显示，关键预测因子包括降低的词型-词例比、更高的停顿和填充词率，以及升高的抖动/抖颤。分类对对照组与AD组最为准确；MCI错误分类突显了中间特征表现。
解释
我们的框架FMN("勿忘我")利用模拟数据捕捉临床相关的语音变化，为认知筛查提供了一种可解释且可扩展的方法。虽然不能替代真实数据集，但FMN验证了一个反映已知AD标志物的流程，可以指导未来的真实世界部署。外部验证是实现临床转化影响的关键下一步。
利益冲突声明
作者声明没有竞争利益。
【全文结束】