标签
本文介绍了一种可解释的机器学习方法，使用朴素贝叶斯分类器在小型临床数据集上从炎症生物标志物预测认知障碍，并识别出I-309 (CCL1)作为关键预测特征。
全面综述了老年人认知障碍检测与管理方面的技术进步，涵盖脑电图、神经影像学、血液生物标志物、数字工具以及人工智能/机器学习集成，重点关注外部验证和公平部署等挑战。
本文提出一个多阶段可解释框架，结合基于SHAP的词元归因、理论指导的语言特征以及LLaMA-3.1-70B-Instruct大语言模型推理，用于解释基于Transformer的语音模型在认知障碍检测中的表现，取得了良好的临床一致性及高可用性评分。
提出了一种多模态框架，用于从语音中公平地检测轻度认知障碍，通过梯度反转实现遗忘，以减少人口统计学偏差并提升各子群体的性能。