基于多模态语音的阿尔茨海默病检测的稳健排名聚合

基于语音的阿尔茨海默病 (AD) 检测最近受益于集成了互补的声学和语言信息的多模态基础模型表示。然而，这些互补分类器的传统概率平均是不可靠的，因为它们的后验概率表现出不匹配的尺度：相同的值可能反映模型之间不同的置信水平。我们提出了一个强大的排名聚合框架，该框架聚合归一化预测排名而不是后验概率。每个受试者都按照其在固定训练队列分布的折叠预测中的百分位进行评分；由于排名排序对于单调变换是不变的，因此这可以避免概率尺度不匹配，同时保留分类器置信度排序。置信门控随机森林使用临床可解释的语言特征进一步纠正残差，仅当两者不一致且 RF 高度置信时才覆盖排名预测，无需额外的深层 模型训练 或显式后验概率校准。在 ADReSS2020 和 ADReSSo2021 上，该方法的准确率分别达到 95.83% 和 90.14%，与之前报道的结果相比毫不逊色。