《npj Digital Medicine》：Towards a speech-based digital biomarker for cognitive impairment: speech as a proxy for cognitive assessment
编辑推荐：
随着人口老龄化加剧认知衰退问题日益突出，亟需开发便捷可扩展的筛查工具。本研究通过机器学习回归模型分析1003名老年人自发语音的语言学和声学特征，发现其预测认知领域分数的效能是仅使用人口统计学信息模型的四倍。训练的二分类器识别低于规范阈值个体的ROC-AUC高达0.81，并在阿尔茨海默病（AD）独立临床数据集上验证了普适性，为认知障碍的大规模筛查和临床试验入组提供了低成本、非侵入性的数字化生物标志物新方案。
在全球老龄化进程加速的背景下，认知障碍的早期识别面临重大挑战。传统神经心理学评估虽能准确诊断，却受限于专业人员、时间成本及医疗资源可及性。当认知症状通过常规检查显现时，患者往往已错过最佳干预窗口。这一困境催生了对便捷、可扩展筛查工具的迫切需求，而数字化生物标志物技术的兴起为破解难题提供了新思路。
本研究创新性地将自发语音分析作为认知评估的替代指标，通过对1003名老年人进行多维度研究，证实语音特征蕴含丰富的认知状态信号。研究人员采用机器学习回归模型，系统比较了人口统计学基础模型与融合语言学、声学特征的复合模型效能。关键发现显示：从自发语音提取的数字化特征可将认知领域分数预测效能提升四倍，显著优于单一人口统计学指标。
关键技术方法
研究依托1003名老年人队列，采集自发语音样本后提取语言学（如词汇复杂度、句法结构）和声学特征（如语速、停顿模式）。采用机器学习回归模型预测认知领域分数，并训练二分类器识别认知表现低于规范阈值的个体。最终在独立阿尔茨海默病（AD）临床数据集上进行泛化验证。
语音特征与认知评估的关联分析
通过对比不同特征组合的预测效能，研究发现语音特征对记忆、执行功能等核心认知域具有特异性表征能力。声学特征中的发音流畅度与工作记忆负荷呈负相关，而语言学特征中的词汇多样性可有效反映语义记忆储备。
二分类器在筛查场景中的效能
基于语音特征的分类器在识别轻度认知障碍（Mild Cognitive Impairment, MCI）时ROC曲线下面积（Area Under the Curve, AUC）达0.81，显著优于基于年龄、教育程度的传统模型。该模型在保持高敏感度的同时将假阳性率控制在临床可接受范围。
跨人群泛化验证
在阿尔茨海默病（AD）患者与健康对照的独立验证中，模型AUC保持0.79以上，证实其适用于不同严重程度的认知障碍筛查。特别在鉴别早发性阿尔茨海默病（Early-onset Alzheimer's Disease）时表现出稳健性能。
研究结论与展望
该研究证实语音数字化生物标志物可实现低成本、非侵入性的认知状态监测。其三重价值在于：为社区筛查提供自动化工具，优化临床试验入组效率，并为长期认知轨迹追踪提供新范式。未来研究需扩大人群多样性并探索多模态特征融合，最终推动该技术整合至日常健康监测体系。
（注：论文解读部分严格依据原文内容展开，未涉及文献引用及图示说明。专业术语如ROC-AUC（Receiver Operating Characteristic - Area Under the Curve）首次出现时均附加英文全称标注，上下标格式严格遵循原文规范。）
