Speech and Voice Biomarkers for Parkinson’s disease Detection: A Systematic Review of Machine Learning and Deep Learning Models
本系统综述分析了应用于帕金森病检测的语音与声学生物标志物的机器学习及深度学习模型，强调了它们的高准确率，同时探讨了当前面临的挑战（如数据不平衡和缺乏泛化性），并提出了面向临床实施的未来方向（如多模态融合和联邦学习）。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
帕金森病是一种缓慢改变人体运动方式的疾病，通常以震颤或僵硬开始。虽然医生长期以来一直依赖物理检查来发现这些迹象，但该疾病在其他症状变得明显之前，也会改变人们说话的方式。一个人可能会开始以平淡的语调说话，音高的变化减少，或者声音听起来带有颤抖和气声。这些细微的变化不仅仅是副作用；它们是写在人类声音中的早期预警。因为控制运动的大脑区域同时也控制着用于说话的肌肉，所以声音成为了该疾病进展的一个敏感镜像。这种联系促使研究人员提出了一个简单而有力的问题：我们能否通过聆听声音，在不需要复杂医疗设备的情况下，判断一个人是否患有帕金森病，或者了解该疾病是如何变化的？
来自印度那格布尔拉姆德奥巴巴大学（Ramdeobaba University）的一个研究小组致力于通过回顾该领域过去八年的科学研究来回答这个问题。他们收集并审查了数十项研究，这些研究使用计算机程序来分析帕金森病患者与健康个体的语音录音。他们的目标是观察这些计算机模型作为诊断工具的效果如何。研究人员发现，该领域发展迅速，自2023年以来发表的研究数量大幅增加。这些研究使用了各种语音录音，从简单的持续元音（如长时间发出“啊”的声音）到用不同语言说的复杂句子。计算机被训练去倾听特定的模式，例如声音的稳定性、说话的节奏以及声波的质量，而这些在帕金森病患者身上往往会变得不规则。
这项综述的结果表明，这些计算机方法运作良好。在所审查的大多数研究中，这些模型正确识别帕金森病的准确率超过了80%。研究人员发现，无论是较旧的、成熟的计算机技术，还是较新的、更复杂的系统，都能达到很高的准确度。较旧的方法通常依赖于人工挑选的语音测量指标，例如音高的波动程度或混入声音中的噪声量。较新的方法使用深度学习，允许计算机通过观察声音的视觉表示（类似于地图展示地形的方式）来自动寻找这些模式。虽然深度学习模型有时表现得稍好一些，尤其是在处理大型或复杂的数据集时，但旧的方法在数据有限的情况下依然保持着强大且可靠的性能。
然而，研究人员也发现，未来的道路并非完全平坦。一个主要的挑战是，许多研究使用了规模较小的群体，或者数据集是不平衡的，这意味着来自健康人的录音远多于来自患者的录音。这可能导致计算机程序过于擅长识别健康的声音，而在识别疾病方面表现不足。此外，各研究在录制声音和测试结果的方式上存在很大差异，使得很难将一项研究直接与其他研究进行比较。还缺乏长期数据；大多数研究只关注单一时间点，而不是追踪一个人的声音如何随时间变化。如果没有这种长期的视角，就很难利用语音分析来预测疾病如何进展，或者监测治疗是否有效。
为了将研究从实验室推向现实世界，作者建议未来的研究需要关注一致性和隐私保护。他们提议科学家们应该就录制和分析语音的标准方式达成共识，以便结果可以轻松比较。他们还强调了开展大型长期研究的必要性，即对患者进行长达数年的跟踪，以观察他们的声音如何演变。此外，随着这些工具向智能手机或诊所应用迈进，研究人员强调了让计算机决策变得可理解的重要性。使用能够解释模型为何做出某种诊断的工具，将有助于医生信任这项技术。综述结论指出，虽然语音分析是检测和监测帕金森病的一种极具前景且无创的方法，但它尚未成为一个成熟的解决方案。它需要更标准化的数据、更好的长期追踪以及能够保护患者隐私的系统，才能成为常规医疗护理的一部分。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。