神経変性性認知症患者の同定のための新しい診断アプローチ

A new diagnostic approach for the identification of patients with neurodegenerative cognitive complaints.

• Sabah Al-Hameed
• Mohammed Benaissa
• Heidi Christensen
• Bahman Mirheidari
• Daniel Blackburn
• Markus Reuber

抄録

認知症の原因となる神経変性疾患は、人の発話や言語に影響を与えることが知られています。そのため、記憶クリニックでの専門的な評価の一部は、このような特徴を検出することが日常的に行われています。現在、外来で行われている言語能力や対話能力の検査では、主に言語想起、単語の流暢性、理解力などの検査が行われていますが、このような検査では、神経変性疾患に起因する言語能力の変化を捉えることが重要です。本研究では、音声信号の自動解析に基づいた新しい手法を導入することで、患者の対話能力に関するより多くの情報を得ることができ、診断に貢献できる可能性があると考えられる。この原理実証研究では、記憶の専門クリニックでの神経科医の質問に対する患者の回答の録音から抽出された純粋に音響的特徴が、進行性神経変性疾患（ND）または機能記憶障害（FMD、客観的な認知障害や進行のリスクとは無関係の主観的な記憶の問題）に起因する認知上の問題を呈する患者の最初の区別をサポートできることを実証しました。この研究では、15人のFMD患者と15人のND患者が参加し、合計51の音響特徴が録音から抽出されました。特徴の選択は、最も識別力の高い特徴を識別するために使用され、その後、FMD/NDクラスを区別するために5つの異なる機械学習分類器を訓練するために使用され、平均分類精度96.2％を達成しました。純粋に音響的なアプローチの識別力は、記憶の問題を呈する患者の診断経路に統合することができ、自動音声認識と理解を必要とする音声や言語の言語的要素に焦点を当てた手法に比べて計算量が少なくて済みます。

Neurodegenerative diseases causing dementia are known to affect a person's speech and language. Part of the expert assessment in memory clinics therefore routinely focuses on detecting such features. The current outpatient procedures examining patients' verbal and interactional abilities mainly focus on verbal recall, word fluency, and comprehension. By capturing neurodegeneration-associated characteristics in a person's voice, the incorporation of novel methods based on the automatic analysis of speech signals may give us more information about a person's ability to interact which could contribute to the diagnostic process. In this proof-of-principle study, we demonstrate that purely acoustic features, extracted from recordings of patients' answers to a neurologist's questions in a specialist memory clinic can support the initial distinction between patients presenting with cognitive concerns attributable to progressive neurodegenerative disorders (ND) or Functional Memory Disorder (FMD, i.e., subjective memory concerns unassociated with objective cognitive deficits or a risk of progression). The study involved 15 FMD and 15 ND patients where a total of 51 acoustic features were extracted from the recordings. Feature selection was used to identify the most discriminating features which were then used to train five different machine learning classifiers to differentiate between the FMD/ND classes, achieving a mean classification accuracy of 96.2%. The discriminative power of purely acoustic approaches could be integrated into diagnostic pathways for patients presenting with memory concerns and are computationally less demanding than methods focusing on linguistic elements of speech and language that require automatic speech recognition and understanding.