파킨슨병과 근위축성 측삭경화증(ALS)의 음성 분류를 위한 공정성을 고려한 부분 레이블 도메인 적응

Fairness-Aware Partial-label Domain Adaptation for Voice Classification of Parkinson's and ALS

음성 기반 디지털 바이오마커는 파킨슨병(PD) 및 근위축성 측삭경화증(ALS)의 확장 가능하고 비침습적인 선별 및 모니터링을 가능하게 한다. 그러나 특정 코호트나 기기에서 훈련된 모델은 기기 간 및 코호트 간 도메인 이동으로 인해 새로운 데이터 수집 환경에서 종종 실패한다. 이러한 문제는 데이터셋이 서로 다른 질병 레이블을 포함하고 클래스 공간에서 부분적으로만 겹칠 수 있는 부분 레이블 불일치가 존재하는 실제 시나리오에서 더욱 증폭된다. 또한 음성 기반 모델은 인구통계학적 단서를 악용할 수 있어, 특히 이질적인 코호트 전반에 배포될 때 성별과 관련된 불공정성에 대한 우려를 낳는다. 이러한 과제를 해결하기 위해 본 논문은 부분적으로 겹치는 코호트로부터 통합된 3개 클래스(정상/PD/ALS) 교차 도메인 음성 분류를 위한 하이브리드 프레임워크를 제안한다. 이 방법은 스타일 기반 도메인 일반화와 부분 레이블 설정에 맞춤화된 조건부 적대적 정렬을 결합하여 부정적 전이를 줄인다. 추가적인 적대적 성별 분기는 성별 불변의 표현을 촉진한다. 우리는 도메인 일반화 및 비지도 도메인 적응 프로토콜 모두를 사용하여 상이한 수집 환경과 기기를 포괄하는 4개의 이질적인 지속 모음 데이터셋에 대해 포괄적인 평가를 수행한다. 제안된 접근법은 12개의 최신 머신러닝 및 딥러닝 방법과 비교되며 3가지 표적 절제 연구를 통해 추가로 평가되어, 부분 레이블 불일치 및 공정성 제약 조건 하에서 통합된 정상/PD/ALS 음성 분류를 위한 최초의 코호트 간 벤치마크 및 종단 간 도메인 적응형 프레임워크를 제공한다. 모든 실험 설정에 걸쳐 제안한 방법은 감소된 성별 격차를 유지하면서 고려된 평가 지표에서 지속적으로 최고의 외부 일반화 성능을 달성한다. 특히 어떤 경쟁 방법도 외부 성능에서 통계적으로 유의미한 향상을 보여주지 못했다.

Voice-based digital biomarkers can enable scalable, non-invasive screening and monitoring of Parkinson's disease (PD) and Amyotrophic Lateral Sclerosis (ALS). However, models trained on one cohort or device often fail on new acquisition settings due to cross-device and cross-cohort domain shift. This challenge is amplified in real-world scenarios with partial-label mismatch, where datasets may contain different disease labels and only partially overlap in class space. In addition, voice-based models may exploit demographic cues, raising concerns about gender-related unfairness, particularly when deployed across heterogeneous cohorts. To tackle these challenges, we propose a hybrid framework for unified three-class (healthy/PD/ALS) cross-domain voice classification from partially overlapping cohorts. The method combines style-based domain generalization with conditional adversarial alignment tailored to partial-label settings, reducing negative transfer. An additional adversarial gender branch promotes gender-invariant representations. We conduct a comprehensive evaluation across four heterogeneous sustained-vowel datasets, spanning distinct acquisition settings and devices, under both domain generalization and unsupervised domain adaptation protocols. The proposed approach is compared against twelve state-of-the-art machine learning and deep learning methods, and further evaluated through three targeted ablations, providing the first cross-cohort benchmark and end-to-end domain-adaptive framework for unified healthy/PD/ALS voice classification under partial-label mismatch and fairness constraints. Across all experimental settings, our method consistently achieves the best external generalization over the considered evaluation metrics, while maintaining reduced gender disparities. Notably, no competing method shows statistically significant gains in external performance.