神经退行性疾病认知衰退的数字化语音生物标志物研究

《Computers in Biology and Medicine》：Digital speech biomarkers for assessing cognitive decline across neurodegenerative conditions

本研究通过分析阿尔茨海默病(MCI-AD)、路易体病(MCI-LB)和帕金森病(PD-MCI)患者的自发言语特征，发现不同亚型存在特异性语言模式。结合机器学习(XGBoost)与MRI数据，证实语音生物标志物可有效区分认知亚型（准确率提升10%），为无创认知监测提供新途径。

　　

Highlight

我们的研究发现：与健康对照组相比，不同认知障碍亚型展现出独特的言语特征模式——MCI-AD患者功能词使用减少导致内容密度增高，PD-MCI患者语句更短且连接词使用减少并伴随更长停顿，而MCI-LB患者则表现出更显著的词汇重复现象。

Results

在固定90秒独白任务中，各组语音时间占比分别为：健康对照组42.36%、MCI-AD组43.53%、MCI-LB组47.24%、PD-MCI组46.13%。平均词汇量数据显示，健康对照组产生180.56个词，MCI-AD组156.36个词，MCI-LB组170.88个词，PD-MCI组172.47个词。曼-惠特尼U检验结果（图2）显示临床评分存在显著组间差异，图3则生动展示了语音生物标志物的差异化表现。

Discussion

临床评估结果印证了各组的典型认知特征：MCI-AD以记忆损伤为主（图2），MCI-LB存在视觉空间与执行功能等多领域受损，PD-MCI则呈现执行功能等变异模式。内容词与功能词比值的升高，配合句法简化与停顿延长等特征，共同勾勒出神经退行性疾病特异的语言表达图谱。这些数字化标志物与大脑结构变化的关联性，暗示其可作为认知衰退的潜在神经影像学关联指标。

Conclusion

本研究证实从独白语音中提取的数字化标志物（MCI-AD的功能词减少、MCI-LB的词汇重复、PD-MCI的短句长停顿）与特定临床亚型及大脑结构改变显著相关。语音-MRI关联与语音-临床评分解离现象提示，这些标志物可能为传统认知评估提供互补性生物学信息。机器学习模型证明自动转录与人工校正结果高度一致（MoCA预测误差10%），为规模化远程认知监测奠定技术基础。