論文の概要: A Robust Classification Method using Hybrid Word Embedding for Early Diagnosis of Alzheimer's Disease

• arxiv url: http://arxiv.org/abs/2510.14332v1
• Date: Thu, 16 Oct 2025 06:10:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 21:15:14.740718
• Title: A Robust Classification Method using Hybrid Word Embedding for Early Diagnosis of Alzheimer's Disease
• Title（参考訳）: ハイブリッド単語埋め込みを用いたアルツハイマー病早期診断のためのロバスト分類法
• Authors: Yangyang Li,
• Abstract要約: アルツハイマー病(AD)の早期発見はAD患者にとって非常に有益であり、早期治療は症状を減らし、医療の経済的負担を軽減する。 ADの徴候の1つとして、ADの早期診断に言語能力の変化を用いることができる。 単語埋め込みを用いたロバストな分類法を開発し,ADの早期検出における最先端の精度を実現する。
• 参考スコア（独自算出の注目度）: 6.781975002513999
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Early detection of Alzheimer's Disease (AD) is greatly beneficial to AD patients, leading to early treatments that lessen symptoms and alleviating financial burden of health care. As one of the leading signs of AD, language capability changes can be used for early diagnosis of AD. In this paper, I develop a robust classification method using hybrid word embedding and fine-tuned hyperparameters to achieve state-of-the-art accuracy in the early detection of AD. Specifically, we create a hybrid word embedding based on word vectors from Doc2Vec and ELMo to obtain perplexity scores of the sentences. The scores identify whether a sentence is fluent or not and capture semantic context of the sentences. I enrich the word embedding by adding linguistic features to analyze syntax and semantics. Further, we input an embedded feature vector into logistic regression and fine tune hyperparameters throughout the pipeline. By tuning hyperparameters of the machine learning pipeline (e.g., model regularization parameter, learning rate and vector size of Doc2Vec, and vector size of ELMo), I achieve 91% classification accuracy and an Area Under the Curve (AUC) of 97% in distinguishing early AD from healthy subjects. Based on my knowledge, my model with 91% accuracy and 97% AUC outperforms the best existing NLP model for AD diagnosis with an accuracy of 88% [32]. I study the model stability through repeated experiments and find that the model is stable even though the training data is split randomly (standard deviation of accuracy = 0.0403; standard deviation of AUC = 0.0174). This affirms our proposed method is accurate and stable. This model can be used as a large-scale screening method for AD, as well as a complementary examination for doctors to detect AD.
• Abstract（参考訳）: アルツハイマー病(AD)の早期発見はAD患者にとって非常に有益であり、早期治療は症状を減らし、医療の経済的負担を軽減する。 ADの徴候の1つとして、ADの早期診断に言語能力の変化を用いることができる。 本稿では,ADの早期検出における最先端の精度を実現するために,ハイブリッド単語埋め込みと微調整ハイパーパラメータを用いたロバストな分類法を開発した。 具体的には、Doc2Vec と ELMo の単語ベクトルに基づくハイブリッド単語埋め込みを作成し、文のパープレキシティスコアを求める。 スコアは、文が流動的であるか否かを特定し、文の意味的文脈をキャプチャする。 構文や意味を解析するために言語機能を追加することで、単語の埋め込みを豊かにします。 さらに,組込み特徴ベクトルをロジスティック回帰に入力し,パイプライン全体の超パラメータを微調整する。 機械学習パイプラインのハイパーパラメータ(例えば、モデル正規化パラメータ、Doc2Vecの学習率とベクトルサイズ、ELMoのベクトルサイズ)をチューニングすることで、91%の分類精度を達成し、AUC(Area Under the Curve)の97%を健康な被験者と区別する。 私の知る限り、私のモデルは91%の精度で、AUCは88%[32]の精度でAD診断に最適なNLPモデルより優れています。 実験を繰り返すことでモデルの安定性を検証し、トレーニングデータがランダムに分割されている場合でもモデルが安定であることを確認する(精度の標準偏差:0.0403、AUCの標準偏差:0.0174)。 提案手法は正確かつ安定であることを確認した。 このモデルは、ADの大規模スクリーニング方法や、ADを検出するための医師の補完的な検査として使用することができる。

関連論文リスト

• Profiling Patient Transcript Using Large Language Model Reasoning Augmentation for Alzheimer's Disease Detection [4.961581278723015]
  アルツハイマー病(AD)は認知症の主要な原因であり、徐々に音声や言語能力の低下が特徴である。 近年の深層学習は自発音声によるAD自動検出を容易にする。 各発話中のテキストパターンを,患者の言語的特徴をグローバルに把握せずに直接モデル化する。
  論文  参考訳（メタデータ） (2024-09-19T07:58:07Z)
• DDxT: Deep Generative Transformer Models for Differential Diagnosis [51.25660111437394]
  より単純な教師付き学習信号と自己教師付き学習信号で訓練した生成的アプローチが,現在のベンチマークにおいて優れた結果が得られることを示す。 The proposed Transformer-based generative network, named DDxT, autoregressive produce a set of possible pathology,, i. DDx, and predicts the real pathology using a neural network。
  論文  参考訳（メタデータ） (2023-12-02T22:57:25Z)
• 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)
• Data-Efficient and Interpretable Tabular Anomaly Detection [54.15249463477813]
  本稿では,ホワイトボックスモデルクラスである一般化付加モデルを適用し,異常を検出する新しいフレームワークを提案する。 さらに、提案フレームワークであるDIADは、ラベル付きデータの少量を組み込んで、半教師付き設定における異常検出性能をさらに向上させることができる。
  論文  参考訳（メタデータ） (2022-03-03T22:02:56Z)
• Explainable Identification of Dementia from Transcripts using Transformer Networks [0.0]
  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。
  論文  参考訳（メタデータ） (2021-09-14T21:49:05Z)
• Comparing Natural Language Processing Techniques for Alzheimer's Dementia Prediction in Spontaneous Speech [1.2805268849262246]
  アルツハイマー認知症(英語: Alzheimer's Dementia、AD)は、認知機能に影響を与える不治の、不安定で進行性の神経変性疾患である。 自発音声タスクによるアルツハイマー認知は、ADの分類と予測のために、音響的に前処理とバランスの取れたデータセットを提供する。
  論文  参考訳（メタデータ） (2020-06-12T17:51:16Z)

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。