INTRODUCTIONScreening for Alzheimer's disease neuropathologic change (ADNC) in individuals with atypical presentations is challenging but essential for clinical management. We trained automatic speech‐based classifiers to distinguish frontotemporal dementia (FTD) patients with ADNC from those with frontotemporal lobar degeneration (FTLD).METHODSWe trained automatic classifiers with 99 speech features from 1 minute speech samples of 179 participants (ADNC = 36, FTLD = 60, healthy controls [HC] = 89). Patients’ pathology was assigned based on autopsy or cerebrospinal fluid analytes. Structural network‐based magnetic resonance imaging analyses identified anatomical correlates of distinct speech features.RESULTSOur classifier showed 0.88 0.03 area under the curve (AUC) for ADNC versus FTLD and 0.93 0.04 AUC for patients versus HC. Noun frequency and pause rate correlated with gray matter volume loss in the limbic and salience networks, respectively.DISCUSSIONBrief naturalistic speech samples can be used for screening FTD patients for underlying ADNC in vivo. This work supports the future development of digital assessment tools for FTD.Highlights We trained machine learning classifiers for frontotemporal dementia patients using natural speech. We grouped participants by neuropathological diagnosis (autopsy) or cerebrospinal fluid biomarkers. Classifiers well distinguished underlying pathology (Alzheimer's disease vs. frontotemporal lobar degeneration) in patients. We identified important features through an explainable artificial intelligence approach. This work lays the groundwork for a speech‐based neuropathology screening tool.

中文翻译：

---

使用自然语音对 FTD 表型中的 AD 病理进行自动分类

简介 在具有非典型表现的个体中筛查阿尔茨海默氏病神经病理改变 (ADNC) 具有挑战性，但对于临床管理至关重要。我们训练了基于语音的自动分类器，以区分 ADNC 额颞叶痴呆 (FTD) 患者和额颞叶变性 (FTLD) 患者。方法我们使用来自 179 名参与者的 1 分钟语音样本中的 99 个语音特征来训练自动分类器（ADNC = 36，FTLD = 60，健康对照 [HC] = 89)。根据尸检或脑脊液分析来分配患者的病理学。基于结构网络的磁共振成像分析确定了不同语音特征的解剖相关性。结果我们的分类器显示 ADNC 与 FTLD 的曲线下面积 (AUC) 为 0.88 ± 0.03，患者与 HC 的曲线下面积 (AUC) 为 0.93 ± 0.04。名词频率和停顿率分别与边缘和显着网络中的灰质体积损失相关。讨论简短的自然语音样本可用于筛查 FTD 患者体内潜在的 ADNC。这项工作支持 FTD 数字评估工具的未来开发。亮点 我们使用自然语音为额颞叶痴呆患者训练机器学习分类器。 我们根据神经病理学诊断（尸检）或脑脊液生物标志物对参与者进行分组。 分类器可以很好地区分患者的潜在病理（阿尔茨海默病与额颞叶变性）。 我们通过可解释的人工智能方法确定了重要特征。 这项工作为基于语音的神经病理学筛查工具奠定了基础。