論文の概要: Explainable Identification of Dementia from Transcripts using
Transformer Networks
- arxiv url: http://arxiv.org/abs/2109.06980v1
- Date: Tue, 14 Sep 2021 21:49:05 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-16 15:12:02.073888
- Title: Explainable Identification of Dementia from Transcripts using
Transformer Networks
- Title（参考訳）: トランスフォーマーネットワークを用いた転写物からの認知症の特定
- Authors: Loukas Ilias, Dimitris Askounis
- Abstract要約: アルツハイマー病(英語: Alzheimer's disease, AD)は、認知症の主要な原因であり、記憶喪失を伴い、時間通りに診断されない場合の日常生活に深刻な結果をもたらす可能性がある。
本稿では,2つのマルチタスク学習モデルを紹介し,主課題は認知症(バイナリ分類)の同定であり,補助課題は認知症の重症度(マルチクラス分類)の同定に対応する。
マルチタスク学習環境におけるAD患者検出の精度は84.99%である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Alzheimer's disease (AD) is the main cause of dementia which is accompanied
by loss of memory and may lead to severe consequences in peoples' everyday life
if not diagnosed on time. Very few works have exploited transformer-based
networks and despite the high accuracy achieved, little work has been done in
terms of model interpretability. In addition, although Mini-Mental State Exam
(MMSE) scores are inextricably linked with the identification of dementia,
research works face the task of dementia identification and the task of the
prediction of MMSE scores as two separate tasks. In order to address these
limitations, we employ several transformer-based models, with BERT achieving
the highest accuracy accounting for 85.56%. Concurrently, we propose an
interpretable method to detect AD patients based on siamese networks reaching
accuracy up to 81.18%. Next, we introduce two multi-task learning models, where
the main task refers to the identification of dementia (binary classification),
while the auxiliary one corresponds to the identification of the severity of
dementia (multiclass classification). Our model obtains accuracy equal to
84.99% on the detection of AD patients in the multi-task learning setting.
Finally, we present some new methods to identify the linguistic patterns used
by AD patients and non-AD ones, including text statistics, vocabulary
uniqueness, word usage, correlations via a detailed linguistic analysis, and
explainability techniques (LIME). Findings indicate significant differences in
language between AD and non-AD patients.
- Abstract（参考訳）: アルツハイマー病(英語: Alzheimer's disease、AD)は、認知症の主要な原因であり、記憶喪失を伴い、時間通りに診断されない場合、日常生活に深刻な結果をもたらす可能性がある。
変圧器ベースのネットワークを悪用した作品はほとんどなく、精度は高いものの、モデル解釈の面ではほとんど行われていない。
また、ミニメンタル状態試験(mmse)のスコアは認知症診断と不可分に結びついているが、研究は認知症診断の課題と、mmseスコアの予測の課題に2つの異なるタスクとして直面している。
これらの制限に対処するために、BERTは85.56%の精度で最高の精度を達成している。
同時に,シャイムネットワークに基づくAD患者を81.18%の精度で検出するための解釈可能な手法を提案する。
次に,2つのマルチタスク学習モデルを紹介し,主課題は認知症(バイナリ分類)の同定であり,補助課題は認知症の重症度(マルチクラス分類)の同定に対応する。
マルチタスク学習環境におけるAD患者検出の精度は84.99%である。
最後に,AD患者と非AD患者が使用する言語パターンを識別する新しい手法として,テキスト統計,語彙的特異性,単語使用量,詳細な言語分析による相関,説明可能性技術(LIME)を提案する。
発見はAD患者と非AD患者の言語に有意な差が認められた。
関連論文リスト
- Towards Within-Class Variation in Alzheimer's Disease Detection from Spontaneous Speech [60.08015780474457]
アルツハイマー病(AD)の検出は、機械学習の分類モデルを使用する有望な研究領域として浮上している。
我々は、AD検出において、クラス内変異が重要な課題であると考え、ADを持つ個人は認知障害のスペクトルを示す。
本稿では,ソフトターゲット蒸留 (SoTD) とインスタンスレベルの再分散 (InRe) の2つの新しい手法を提案する。
論文 参考訳（メタデータ） (2024-09-22T02:06:05Z) - Leveraging Pretrained Representations with Task-related Keywords for
Alzheimer's Disease Detection [69.53626024091076]
アルツハイマー病(AD)は高齢者に特に顕著である。
事前学習モデルの最近の進歩は、AD検出モデリングを低レベル特徴から高レベル表現にシフトさせる動機付けとなっている。
本稿では,高レベルの音響・言語的特徴から,より優れたAD関連手がかりを抽出する,いくつかの効率的な手法を提案する。
論文 参考訳（メタデータ） (2023-03-14T16:03:28Z) - Cross-lingual Alzheimer's Disease detection based on paralinguistic and
pre-trained features [6.928826160866143]
本稿ではICASSP-SPGC-2023 ADReSS-M Challenge Taskについて述べる。
この課題は、アルツハイマー病の予測のために、どの音響特徴を一般化し、言語間で伝達できるかを検討することである。
我々は、openSmileツールキットとXLSR-53を用いた音響特性を用いてパラ言語的特徴を抽出する。
本手法は分類タスクの69.6%の精度と回帰タスクの4.788の根平均二乗誤差(RMSE)を実現する。
論文 参考訳（メタデータ） (2023-03-14T06:34:18Z) - Exploiting prompt learning with pre-trained language models for
Alzheimer's Disease detection [70.86672569101536]
アルツハイマー病(AD)の早期診断は予防ケアの促進とさらなる進行の遅らせに不可欠である。
本稿では,AD分類誤差をトレーニング対象関数として一貫して用いたPLMの高速微調整法について検討する。
論文 参考訳（メタデータ） (2022-10-29T09:18:41Z) - Exploring linguistic feature and model combination for speech
recognition based automatic AD detection [61.91708957996086]
音声ベースの自動ADスクリーニングシステムは、他の臨床スクリーニング技術に代わる非侵襲的でスケーラブルな代替手段を提供する。
専門的なデータの収集は、そのようなシステムを開発する際に、モデル選択と特徴学習の両方に不確実性をもたらす。
本稿では,BERT と Roberta の事前学習したテキストエンコーダのドメイン微調整の堅牢性向上のための特徴とモデルの組み合わせ手法について検討する。
論文 参考訳（メタデータ） (2022-06-28T05:09:01Z) - NUVA: A Naming Utterance Verifier for Aphasia Treatment [49.114436579008476]
失語症(PWA)患者の治療介入に対する反応の診断とモニタリングの両立のための画像命名タスクを用いた音声性能評価
本稿では,失語症脳卒中患者の「正しい」と「正しくない」を分類する深層学習要素を組み込んだ発話検証システムであるNUVAについて述べる。
イギリス系英語8ヶ国語でのテストでは、システムの性能精度は83.6%から93.6%の範囲であり、10倍のクロスバリデーション平均は89.5%であった。
論文 参考訳（メタデータ） (2021-02-10T13:00:29Z) - Exploiting Multi-Modal Features From Pre-trained Networks for
Alzheimer's Dementia Recognition [16.006407253670396]
トレーニング済みネットワークから抽出した様々なマルチモーダル特徴を利用して、ニューラルネットワークを用いてアルツハイマー認知症を認識する。
畳み込みリカレントニューラルネットワークに基づく構造を改良し,分類処理と回帰処理を同時に行う。
評価結果がベースラインの精度を18.75%以上越え, 評価結果から, 4種類の認知障害を78.70%の精度で分類できる可能性が示唆された。
論文 参考訳（メタデータ） (2020-09-09T02:08:47Z) - Multimodal Inductive Transfer Learning for Detection of Alzheimer's
Dementia and its Severity [39.57255380551913]
本稿では,音響的,認知的,言語的特徴を活用してマルチモーダルアンサンブルシステムを構築する新しいアーキテクチャを提案する。
時相特性を持つ特殊な人工ニューラルネットワークを使用して、アルツハイマー認知症(AD)とその重症度を検出する。
本システムでは,AD分類では最先端試験精度,精度,リコール,F1スコアが83.3%,MMSEスコア評価では4.60の最先端試験根平均二乗誤差(RMSE)が得られた。
論文 参考訳（メタデータ） (2020-08-30T21:47:26Z) - To BERT or Not To BERT: Comparing Speech and Language-based Approaches
for Alzheimer's Disease Detection [17.99855227184379]
自然言語処理と機械学習はアルツハイマー病(AD)を確実に検出するための有望な技術を提供する
最近のADReSSチャレンジデータセットにおいて、AD検出のための2つのアプローチのパフォーマンスを比較し、比較する。
認知障害検出における言語学の重要性を考えると,細調整BERTモデルはAD検出タスクにおいて特徴に基づくアプローチよりも優れていた。
論文 参考訳（メタデータ） (2020-07-26T04:50:47Z) - A Graph Gaussian Embedding Method for Predicting Alzheimer's Disease
Progression with MEG Brain Networks [59.15734147867412]
アルツハイマー病(AD)に関連する機能的脳ネットワークの微妙な変化を特徴付けることは、疾患進行の早期診断と予測に重要である。
我々は、多重グラフガウス埋め込みモデル(MG2G)と呼ばれる新しいディープラーニング手法を開発した。
我々はMG2Gを用いて、MEG脳ネットワークの内在性潜在性次元を検出し、軽度認知障害(MCI)患者のADへの進行を予測し、MCIに関連するネットワーク変化を伴う脳領域を同定した。
論文 参考訳（メタデータ） (2020-05-08T02:29:24Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。