[論文レビュー] Cognitive Assessment Estimation from Behavioral Responses in Emotional Faces Evaluation Task -- AI Regression Approach for Dementia Onset Prediction in Aging Societies

Tomasz M. Rutkowski, Masato Abe+2 more|arXiv (Cornell University)|Nov 25, 2019

Dementia and Cognitive Impairment Research参考文献 11被引用数 6

ひとこと要約

本研究では、感情的な顔の動画を用いた空間的・暗黙的作業記憶課題において、反応時間、感情の価値・覚醒度の判断、年齢、教育水準といった行動反応からモントリオール認知評価（MoCA）スコアを推定するAI回帰モデルを提案する。20名の高齢者を対象に、1人を除いた交差検証を実施した結果、中央値の回帰誤差が0.86まで低く抑えられ、高齢者集団における認知症発症の客観的で非侵襲的な予測の強力な可能性を示した。

ABSTRACT

We present a practical health-theme machine learning (ML) application concerning `AI for social good' domain for `Producing Good Outcomes' track. In particular, the solution is concerning the problem of a potential elderly adult dementia onset prediction in aging societies. The paper discusses our attempt and encouraging preliminary study results of behavioral responses analysis in a working memory-based emotional evaluation experiment. We focus on the development of digital biomarkers for dementia progress detection and monitoring. We present a behavioral data collection concept for a subsequent AI-based application together with a range of regression encouraging results of Montreal Cognitive Assessment (MoCA) scores in the leave-one-subject-out cross-validation setup. The regressor input variables include experimental subject's emotional valence and arousal recognition responses, as well as reaction times, together with self-reported education levels and ages, obtained from a group of twenty older adults taking part in the reported data collection project. The presented results showcase the potential social benefits of artificial intelligence application for elderly and establish a step forward to develop ML approaches, for the subsequent application of simple behavioral objective testing for dementia onset diagnostics replacing subjective MoCA.

研究の動機と目的

• 紙と鉛筆で行う主観的テストに代わる、客観的で非侵襲的な認知症発症予測手法の開発。
• 感情の顔を用いた暗黙的かつ空間的作業記憶課題が、認知機能低下のデジタルバイオマーカーとしての可能性を検討すること。
• 従来のMoCA評価をAI駆動の行動分析で置き換えたり補完したりすることで、高齢者集団におけるスクリーニングのアクセス性と客観性を向上させること。
• 行動的および人口統計的特徴からMoCAスコアを予測する複数の機械学習回帰モデルの性能を評価すること。
• 将来的に神経生理的信号（例：EEG、fNIRS）と統合することで診断精度を向上させる基盤を構築すること。

提案手法

• 20名の高齢者を対象に、感情の顔の評価課題をタッチパッドを用いて実施。2次元の絵文字グリッドを用いて価値と覚醒度を表した。
• 反応時間、価値・覚醒度の判断、年齢、教育水準を機械学習モデルの入力特徴として収集した。
• モデルの汎化性能を評価し、過学習を回避するために、1人を除いた交差検証戦略を採用した。
• scikit-learnに実装された複数の回帰モデル（Huber、線形、RBF/SVM、多項式SVM、ランダムフォレスト）を訓練および比較した。
• デフォルトのハイパーパrameterを用い、わずかな調整を加えた：RBFおよび多項式カーネルにはγ = 1/7、多項式SVMには次数 = 3、ランダムフォレストには最大深さ = 10、n_estimators = 200を設定した。
• 交差検証指標を用いて、回帰（MoCAスコア予測）および2値分類（MCI対正常認知）の両方の性能を評価した。

実験結果

リサーチクエスチョン

• RQ1 作業記憶に基づく感情の顔評価課題における行動反応が、MoCAスコアを高い精度で予測できるか？
• RQ2 行動的および人口統計的特徴から認知状態を予測する際、どの機械学習回帰モデルが最も優れた性能を示すか？
• RQ3 反応時間および感情の価値・覚醒度の判断は、早期認知機能低下の信頼できるデジタルバイオマーカーとして機能できるか？
• RQ4 AI回帰モデルの性能は、従来の主観的評価と比較して、軽度認知障害の検出においてどう異なるか？
• RQ5 行動データのみで、高齢者集団における認知症発症の早期予測がどの程度可能か？

主な発見

• ランダムフォレスト回帰モデルが中央値の回帰誤差0.86を達成し、単純な平均ベースライン（誤差1.5）を顕著に上回った。
• 線形サポートベクターレグレッション（linearSVR）は中央値誤差1.03を達成し、優れた予測性能を示した。
• MCI対正常認知の2値分類では、ロジスティック回帰、LDA、ランダムフォレストが1人を除いた交差検証下で中央値正答率99％を達成した。
• rbfSVRおよびpolySVRモデルは正答率が低く（92％および89％）、カーネルの選択がこの小規模データセットでの性能に影響を与えることが示された。
• 対比較散布図から、MoCAスコアと反応時間や感情の価値反応といった重要な行動的特徴との間には明確な線形関係が確認された。
• 結果として、臨床的でない簡単な課題における行動反応が、MoCAスコアを高精度に予測可能であることが示され、AI駆動の認知スクリーニングの実現可能性が裏付けられた。