Identificação de condições clínicas em testes de fluência verbal

Abstract

Abordagens computacionais têm sido cada vez mais presentes na análise de resultados de tarefas neuropsicológicas, pois podem ser menos custosos e podem identificar dinâmicas que são dificilmente detectadas por humanos. Um tipo de tarefa apropriada para esse tipo de análise é o teste de fluência verbal. Nessa tarefa, é pedido que uma pessoa fale uma sequência de palavras em um tempo limitado. É hipotetizado que a identificação de subsequências de palavras relacionadas, chamadas de cadeias semânticas, pode ajudar no diagnóstico de doenças. Nesse trabalho, investigamos abordagens computacionais para a detecção de cadeias semânticas em tarefas de fluência verbal, como a identificação de cadeias através de aprendizado de máquina e como a detecção através da média de similaridades entre palavras. Adicionalmente, avaliamos a performance dessas cadeias na identificação de doenças neuropsicológicas. A detecção de cadeias semânticas é validada através de um experimento no qual perguntamos para julgadores se existe uma quebra semântica em uma sequência de palavras. Também propomos descritores baseados nessas cadeias e os avaliamos contra o estado da arte na identificação de doença de Alzheimer e Comprometimento Cognitivo Leve. O melhor detector de cadeias semânticas proposto obtém uma medida-f de 0:81 no conjunto de dados obtido dos anotadores. Quando combinamos os descritores baseados em cadeias e os descritores estado da arte, não houve um aumento significativo de performance. Além disso, esses descritores não superam o baseline baseado no número de palavras faladas. Esse fato reforça a necessidade de que precisamos entender melhor as técnicas de detecção de cadeias semânticas em tarefas de fluência verbal e as suas relações com diversas condições neuropsicológicas.

Computational approaches have been increasingly present in the analysis of results of neuropsychological tasks, as they may be less costly and can identify dynamics that are difficult to detect by humans. One type of task appropriate for this type of analysis is the verbal fluency test. In this test, a person is asked to speak a sequence of words in a short time. It is hypothesized that the identification of subsequences of related words, called semantic chains, can help in the diagnosis of diseases. We investigate computational approaches for the detection of semantic chains in tasks of verbal fluency, and in addition, we evaluate the performance of these chains in the identification of neuropsychological diseases. The detection of semantic chains is validated through an experiment in which we ask judges if there is a semantic break in a sequence of words. We propose features based on these chains and evaluate them against the state of the art in the identification of Alzheimer’s disease and Mild Cognitive Impairment. The best proposed semantic chain detector obtains a f-measure of 0:81 in the dataset obtained from the annotators. When we combined the chain-based features and the state of the art features, there was no significant increase in performance. In addition, these features do not exceed the baseline based on the number of spoken words. This fact reinforces the need to better understand the techniques of detecting semantic chains in tasks of verbal fluency and their relations with various neuropsychological conditions.