그래프 어텐션 네트워크를 이용한 게이티드 멀티 그래프 융합: 알츠하이머병 진단을 위한 방법

Gated Multi-Graph Fusion via Graph Attention Networks for Alzheimer's Disease Detection

자발적 음성은 알츠하이머병(AD)의 중요한 비침습적 바이오마커이지만, 많은 시스템은 병리적 언어에서 나타나는 비선형 구조적 변화와 임상적 이질성을 간과합니다. 본 연구에서는 자동음성인식(ASR)을 통해 오디오를 텍스트로 변환하여 의미 그래프, 의존성 그래프 및 공기 그래프를 구축하고, '내용-구조-흐름' 프레임워크를 통해 음성을 특징짓는 멀티뷰 게이티드 그래프 어텐션 네트워크를 제안합니다. 특히, 공기 그래프는 규범적인 코퍼스에서 얻은 점별 상호 정보(PMI)를 활용하여 서사적 논리와 언어적 편차를 정량화합니다. 증상 다양성을 해결하기 위해, 적응형 게이팅 메커니즘을 사용하여 이러한 다양한 관점을 동적으로 통합합니다. ADReSSo 데이터셋에 대한 평가 결과, 본 모델은 90.00%의 정확도를 달성했습니다. ablation 실험 결과는 PMI 기반 그래프와 이질성 인지 게이팅이 다양한 임상 집단에서의 강력한 분류를 위해 필수적임을 확인했습니다. 본 연구의 소스 코드는 https://github.com/opeacc/AD 에서 공개적으로 이용 가능합니다.

Spontaneous speech is a vital non-invasive biomarker for Alzheimer's Disease (AD), yet many systems overlook non-linear structural disruptions and clinical heterogeneity in pathological language. We propose a Multi-View Gated Graph Attention Network that transcribes audio via Automatic Speech Recognition (ASR) to construct semantic, dependency, and co-occurrence graphs, characterizing speech through a "content-structure-flow" framework. Notably, the co-occurrence graph leverages Pointwise Mutual Information (PMI) from a normative corpus to quantify narrative logic and linguistic deviation. To address symptomatic diversity, an adaptive gated fusion mechanism dynamically integrates these views. Evaluated on the ADReSSo dataset, our model achieves 90.00% accuracy. Ablation results confirm that the PMI-based graph and heterogeneity-aware gating are essential for robust classification across diverse clinical populations. Our source code is publicly available at https://github.com/opeacc/AD.