Linguistic-Based Mild Cognitive Impairment Detection Using Informative Loss
Ritchie School of Engineering and Computer Science（工程与计算机科学里奇学院）；DreamFace Technologies LLC（DreamFace科技有限责任公司）；Massachusetts General Hospital（麻省总医院）；Prince Sattam Bin Abdulaziz University（萨塔姆·本·阿卜杜勒阿齐兹王子大学）
Ali Pourramezan Fard, Mohammad H. Mahoor, Muath Alsuhaibani, Hiroko H. Dodgec
This paper presents a deep learning method using Natural Language Processing (NLP) techniques, to distinguish between Mild Cognitive Impairment (MCI) and Normal Cognitive (NC) conditions in older adults. We propose a framework that analyzes transcripts generated from video interviews collected within the I-CONECT study project, a randomized controlled trial aimed at improving cognitive functions through video chats. Our proposed NLP framework consists of two Transformer-based modules, namely Sentence Embedding (SE) and Sentence Cross Attention (SCA). First, the SE module captures contextual relationships between words within each sentence. Subsequently, the SCA module extracts temporal features from a sequence of sentences. This feature is then used by a Multi-Layer Perceptron (MLP) for the classification of subjects into MCI or NC. To build a robust model, we propose a novel loss function, called InfoLoss, that considers the reduction in entropy by observing each sequence of sentences to ultimately enhance the classification accuracy. The results of our comprehensive model evaluation using the I-CONECT dataset show that our framework can distinguish between MCI and NC with an average area under the curve of 84.75%.
Detecting cognitive impairments by agreeing on interpretations of linguistic features
Winterlight Labs（Winterlight实验室）；University of Toronto（多伦多大学）；Li Ka Shing Knowledge Institute, St Michael’s Hospital, Toronto ON, Canada（李卡廷知识研究所，圣迈克尔医院）；Vector Institute for Artificial Intelligence（向量人工智能研究所）；Surgical Safety Technologies（外科安全技术公司（注：此处原文本未明确该机构性质，但根据常见命名推测为公司类机构，符合提取范围））
Multilingual Cognitive Impairment Detection in the Era of Foundation Models
Jožef Stefan Institute（约瑟夫·斯特凡研究所）；Jožef Stefan International Postgraduate School（约瑟夫·斯特凡国际研究生院）；Institute of Synergetics and Psychotherapy Research, Paracelsus Medical University（协同与心理治疗研究所，帕拉塞尔苏斯医科大学）；University of Ljubljana（卢布尔雅那大学）；Queen Mary University of London（伦敦玛丽女王大学）
Evaluating Spoken Language as a Biomarker for Automated Screening of Cognitive Impairment
Imperial College London（帝国理工学院）；UK Dementia Research Institute（英国痴呆症研究所）；Imperial College Healthcare NHS Trust（帝国理工学院医疗保健国民保健服务信托基金）；University of Surrey（萨里大学）；University of Southern California（南加州大学）
LLMCARE: early detection of cognitive impairment via transformer models enhanced by LLM-generated synthetic data
Columbia University Irving Medical Center（哥伦比亚大学欧文医学中心）；University of Wisconsin-Milwaukee（威斯康星大学密尔沃基分校）；University of Tehran（德黑兰大学）；Columbia University（哥伦比亚大学）；University of Florida（佛罗里达大学）
DECT: Harnessing LLM-assisted Fine-Grained Linguistic Knowledge and Label-Switched and Label-Preserved Data Generation for Diagnosis of Alzheimer's Disease
The University of Hong Kong（香港大学）；The Chinese University of Hong Kong（香港中文大学）
NeuraHealth: An Automated Screening Pipeline to Detect Undiagnosed Cognitive Impairment in Electronic Health Records with Deep Learning and Natural Language Processing
Massachusetts General Hospital（麻省总医院）；McCance Center for Brain Health（麦坎斯大脑健康中心）
痴呆相关的认知障碍（CI）是一种神经退行性疾病，影响全球超过5500万人，并以每3秒一个新病例的速度快速增长。全球75%的病例未被诊断，其中90%发生在低收入和中等收入国家，估计全球每年的成本为1.3万亿美元，预计到2030年将达到2.8万亿美元。由于无法治愈，临床试验反复失败，缺乏早期诊断，死亡率为100%。电子健康记录（EHR）中的信息可以为CI的早期检测提供重要线索，但专家的手动审查是繁琐且容易出错的。已经提出了几种计算方法，然而，他们缺乏对复杂的语言结构的EHR的语言上下文的增强的理解。因此，我提出了一个新的，更准确的框架，神经健康，以确定谁没有早期诊断的患者。在NeuraHealth中，我使用来自Mass General Brigham BioBank的患者EHR，微调了一个基于双向注意力的深度学习自然语言处理模型来对序列进行分类。序列预测用于生成结构化特征作为患者水平正则化逻辑回归模型的输入。这种两步框架创建了高维度，优于所有现有的最先进的计算方法以及临床方法。此外，我将这些模型集成到一个现实世界的产品，一个网络应用程序，以创建一个自动化的EHR筛查管道，用于可扩展和高速发现EHR中未检测到的CI，使早期诊断在医疗设施和医疗服务稀缺的地区变得可行。
The Voice of Equity: A Systematic Evaluation of Bias Mitigation Techniques for Speech-Based Cognitive Impairment Detection Across Architectures and Demographics
Columbia University Irving Medical Center（哥伦比亚大学欧文医学中心）；Columbia University School of Nursing（哥伦比亚大学护理学院）；Columbia University（哥伦比亚大学）
知识驱动的对话系统近年来取得了显著的突破。与一般的对话系统相比，优秀的知识驱动对话系统可以产生更多的信息和知识的反应与预先提供的知识。然而，在实际应用中，由于对话系统不能预先知道会话的发展，因此不能预先提供相应的知识。因此，为了使知识对话系统更加实用，找到一种基于对话历史的相关知识检索方法是至关重要的。为了解决这个问题，我们设计了一个知识驱动的对话系统DRKQG（Dynamically Retrieving Knowledge via Query Generation for informative dialog response）。具体来说，系统可以分为两个模块：查询生成模块和对话生成模块。首先，利用时间感知机制捕获上下文信息，并通过搜索引擎生成用于检索知识的查询。然后，我们集成的复制机制和Transformers，这使得响应生成模块产生的响应来自上下文和检索到的知识。在LIC2022语言与智能技术大赛上的实验结果表明，我们的模块在自动评估指标上大幅优于基线模型，而百度语言团队的人工评估表明，我们的系统在事实正确和知识性方面取得了令人印象深刻的结果。
Cross-Linguistic Persona-Driven Data Synthesis for Robust Multimodal Cognitive Decline Detection
Engineering Research Center of Intelligent Theranostics Technology and Instruments, Ministry of Education, School of Biomedical Engineering and Informatics, Nanjing Medical University（智能诊疗技术与仪器工程研究中心、教育部、生物医学工程与信息学院、南京医科大学）；Institute of Biomedical Engineering, University of Oxford（生物医学工程研究所、牛津大学）；Institute of High Performance Computing, Agency for Science, Technology and Research (A*STAR)（高性能计算研究所、科技研究局（A*STAR））；Department of Neurology, National Neuroscience Institute, Singapore, 308433, Singapore（神经病学部、新加坡国家神经科学研究所）；Duke-NUS Medical School, Singapore, 169857, Singapore（新加坡国立大学医学院）
Beyond surface form: A pipeline for semantic analysis in Alzheimer's Disease detection from spontaneous speech
Healthy Lifespan Institute, The University of Sheffield, Sheffield, United Kingdom（谢菲尔德大学健康寿命研究所）；School of Computer Science, The University of Sheffield, Sheffield, United Kingdom（谢菲尔德大学计算机科学学院）；Institute of Data Science and Artificial Intelligence, The University of Exeter, Exeter, United Kingdom（埃克塞特大学数据科学与人工智能研究所）；Faculty of Linguistics, Pontifícia Universidade Católica do Rio Grande do Sul, Porto Alegre, Brazil（里约格朗德杜斯尔格斯天主教大学语言学院）；Bioinformatics Multidisciplinary Environment, Digital Metropolis Institute, Federal University of Rio Grande do Norte, Natal, Brazil（巴西国家联邦大学里约格朗德多北大学生物信息学跨学科环境）；Institute of Physics, Federal University of Rio Grande do Sul, Porto Alegre, Brazil（巴西联邦大学里约格朗德多南大学物理研究所）
