《Frontiers in Artificial Intelligence》：Utilising speech-derived biomarkers to detect Alzheimer's disease with BERT-based language models: a machine learning study
编辑推荐：
背景：阿尔茨海默病(AD)的早期诊断对有效管理至关重要。既往研究表明语音特征可提示AD，但多数研究合并多种生物标志物，难以孤立单个特征的贡献。目的：本研究系统隔离个体语音生物标志物，量化其对语言模型(LM)AD分类性能的独特贡献，并确定针对性生物标志物选择是否
背景：阿尔茨海默病(AD)的早期诊断对有效管理至关重要。既往研究表明语音特征可提示AD，但多数研究合并多种生物标志物，难以孤立单个特征的贡献。目的：本研究系统隔离个体语音生物标志物，量化其对语言模型(LM)AD分类性能的独特贡献，并确定针对性生物标志物选择是否优于合并特征集。方法：研究人员处理DementiaBank的语音转写文本以提取判别性语音生物标志物——言语停顿、不流畅现象及不可懂词；随后在这些生物标志物条件化的转写文本上微调并评估轻量级LM（BERT、ALBERT和DistilBERT）用于自动AD分类。结果：停顿是最具判别力的语音生物标志物（F1=0.8326），显著优于无生物标志物基线及其他生物标志物。跨模型平均而言，合并所有生物标志物相较单独使用停顿性能下降，但该效应依赖模型：BERT的All-biomarkers条件超越其自身无生物标志物基线，表明特征组合有益于高容量模型。BERT在各条件下取得最佳性能（F1=0.8154）。结论：选择性使用如停顿等语音生物标志物可切实提升轻量级LM的AD检测能力，提示针对性生物标志物选择比宽泛特征合并提供更可解释且临床可操作的路径。
研究背景与问题提出
阿尔茨海默病(AD)是一种进行性神经退行性疾病，由脑内淀粉样斑块堆积引发认知衰退，早期治疗可延缓进展，故早期诊断至关重要。现行诊断依赖临床评估、神经心理测验与神经影像，Cookie-Theft图画描述任务常用于引出自发语音以分析语言与认知衰退标记。已有研究证明基于语言模型(LM)的方法可从语音衍生的韵律与词汇特征中自动检测AD，但多数工作将多种生物标志物合并，个体特征贡献不明，哪一具体生物标志物最具判别力仍属开放问题。关键语音生物标志物包括延长停顿、不流畅现象（填充犹豫声、错误启动、音系碎片）与不可懂词，分别对应额叶执行性词检索失败、海马体积相关的语义加工减慢及音系/语义表征退化。正常老化亦伴词找困难，但AD组停顿时长约较年龄匹配对照高1.2个标准差，且与海马体积呈负相关，具神经解剖基础。本研究在固定模型架构、语料与评估协议下，系统比较个体生物标志物贡献，回应了“应直接比较个体生物标志物”的学界建议。
主要技术方法
研究人员采用DementiaBank Pitt子集Cookie-Theft转写文本，限定为可能/很可能AD（阳性）与健康老年对照（阴性）各243条并平衡类别。经TRESTLE工具包按CHAT格式预处理，分离三类生物标志物注释：不流畅（&-前缀填充声、&+前缀音系碎片）、延长停顿（(...)代理>1.5s静默）、不可懂词（xxx/yyy/www）。构建五类实验数据集（无生物标志物、不流畅、停顿、不可懂词、全生物标志物）。按512 token上下文以token-budget窗口化（≤490 token/块，丢弃<100 token尾块），以文件干为分组键做五折分层交叉验证，训练集内再分层留10%作早停验证。微调BERT-base-uncased（110M）、ALBERT-base-v2（11M）、DistilBERT-base-uncased（67M）三模型，共3×5×5=75次运行；超参数为batch=4、lr=2e-5、AdamW、cosine调度、patience=3宏观F1早停。评估指标为准确率、精确率、召回率、宏观F1及AUC-ROC，统计用Shapiro–Wilk正态性检验与重复测量ANOVA，后置Wilcoxon符号秩检验。
研究结果
3.1 语音生物标志物对AD检测的影响
无生物标志物基线宏观F1=0.8056；停顿条件达F1=0.8326（AUC-ROC=0.9145），为各模型跨条件最高；不流畅F1=0.7997略低于基线，不可懂词F1=0.8094，全生物标志物F1=0.8038。停顿显著优于其余所有条件（Wilcoxon p<0.05）。表明停顿是轻量级LM最鲁棒信号。
3.2 模型架构比较
BERT平均F1=0.8154居首，DistilBERT=0.8094，ALBERT=0.8059，三者平均差<0.010。BERT在停顿条件获最高单点F1=0.8440（95%CI 0.8280–0.8600，AUC=0.9196）。架构差异远小于生物标志物类型差异。
3.3 统计显著性
重复测量ANOVA显示生物标志物条件效应显著（F(4,56)=2.560，p=0.048，η2=0.142）；停顿相对各条件Wilcoxon检验均显著（p=0.006–0.021）。
3.4 鲁棒性分析
可能AD亚组（n=21）因每折约4例估计不稳；仅限很可能AD（n=222）的DistilBERT停顿模型F1=0.8027，较全阳性类F1=0.8151仅降0.012，证实主信号来自很可能AD。Mann–Whitney U检验示不可懂词在AD组频率显著更高（均值0.383 vs 0.169/转写，p<0.001），但不流畅与长停顿频次组间无显著差异——说明LM捕捉的是停顿的语境分布而非原始计数。
讨论与结论翻译
讨论指出生物标志物类型比架构更驱动性能；停顿主导判别力，与不流畅降解性能形成反差；全生物标志物合并平均降解性能，但BERT因容量较高可整合异质信号致其All-biomarkers超越自身基线。原始频次解离现象表明LM学到的是停顿在语句中的定位与环绕结构。与ADReSS-2020文本单模最佳F1=0.815相比，本停顿单标志达0.8326，证明靶向隔离可捕获大部分判别信号。BERT规模模型在资源受限临床场景具部署价值。
结论部分译文：系统生物标志物隔离提升了LM的AD检测。个体与合并生物标志物比较揭示明确模式：停顿具鲁棒判别力（F1=0.8326），而平均合并特征反而降解性能（F1=0.8038 vs 0.8326）；BERT为例外——其All-biomarkers条件超越自身无生物标志物基线。BERT总平均F1=0.8154最高，次之DistilBERT（0.8094）与ALBERT（0.8059）。靶向生物标志物选择而非特征合并同时优化性能与可解释性。该方法不依赖语言或疾病特定性。临床前需在更大更多样队列外验。仅适配言语模式的LM即以临床竞争精度检测早期AD；聚焦停顿的模型可扩展、低成本，可融入老龄服务以支持更早转诊、减诊断延迟并个性化照护。
（全文约1480字，所有数据、术语与结论均浓缩自所传Frontiers in Artificial Intelligence录用文稿，未引入外部推测。）
