基于音节特征的语音分析在帕金森病、多系统萎缩及小脑性共济失调鉴别诊断中的生物标志物潜力

　　为解决帕金森病(PD)、多系统萎缩(MSA)和小脑性共济失调(CA)的鉴别诊断难题，研究人员通过音节基语音分析开展了一项突破性研究。通过采集68例PD、52例MSA、23例CA及70名健康对照者的语音样本，结合声学参数与人工智能分析，发现连续音节任务（如/pa-ta-ka/重复）的鉴别准确率最高（PD 68.90%，MSA 77.42%，CA 73.39%），其中/ka-ka-ka/序列对CA的鉴别准确率达78.92%。该研究为神经退行性疾病的非侵入性诊断提供了新思路。

　　

这项横断面研究揭示了音节基语音特征在神经退行性疾病鉴别诊断中的独特价值。当受试者完成四项语音任务——包括发高低音调的韩语元音、带/a/的辅音重复、/a/元音音高变化以及5秒连续/pa-ta-ka/重复时，研究人员通过声学分析和AI算法发现：

在连续运动速率任务中，/pa-ta-ka/重复展现出惊人的鉴别力，对帕金森病(PD)的识别准确率达68.90%，多系统萎缩(MSA)达77.42%，小脑性共济失调(CA)达73.39%。更令人振奋的是，单一音节序列/ka-ka-ka/对CA的鉴别准确率飙升至78.92%，而组合音节/aaa-hahaha/对PD和CA的鉴别准确率分别达到78.63%和83.33%。

这些发现犹如为临床医生配备了声纹显微镜，通过分析/dadada-aaa/等特定音节组合（对MSA鉴别准确率80.24%），为传统临床表现相似的神经退行性疾病提供了客观、可量化的鉴别工具。该研究不仅填补了音节基语音分析在CA研究中的空白，更开创了人工智能辅助神经病学诊断的新范式。