A depresszió diagnosztizálása bonyolult üzlet.
Nincs vérvizsgálat, szkennelés és biopszia, amely igazolja, hogy valami rosszul ment. Ehelyett a teljes súly egy képzett klinikus készségén áll, hogy értékelést készítsen, főként az egyén által a szokásos kérdésekre adott válaszok alapján. A diagnosztizálást tovább bonyolítja az a tény, hogy a depresszió többféle módon is megjelenhet - az apátiatól az izgatottságtól a szélsőséges étkezési vagy alvási szokásokig.
Tehát az a felfogás, hogy a mesterséges intelligencia segíthet előre jelezni, ha egy személy depressziótól szenved, potenciálisan nagy előrelépés - bár az a kérdés, hogy hogyan lehet felhasználni.
Ez lehetővé teszi - mondja Tuka Alhanai, az MIT Számítástechnikai és Mesterséges Intelligencia Laboratóriumának (CSAIL) kutatója -, hogy egy gépi tanulási modell képes azonosítani a depresszióval járó beszéd- és nyelvi mintákat. Ennél is fontosabb, hogy az ő és az MIT tudós, Mohammad Ghassemi által kifejlesztett modell képes volt a depressziót viszonylag nagy pontossággal felismerni azáltal, hogy elemezte az emberek beszédét, nem pedig a klinikus kérdéseire adott konkrét válaszokat.
Erre utal Alhanai „kontextus nélküli” elemzésre; Más szavakkal: a modell az emberek által választott szavakból és az általuk elmondott szavakból veszi a szavait anélkül, hogy megpróbálná értelmezni állításaik jelentését.
"Ahelyett, hogy azt mondná a modellnek, hogy bizonyos kérdésekre adott válaszokra összpontosítson, úgy programozza be, hogy egyedül dolgozza ki, mire kíván összpontosítani" - mondja.
A lehetséges haszon, Alhanai megjegyzi, hogy az ilyen típusú ideghálózati megközelítés egy nap felhasználható lenne egy ember természetesebb beszélgetések kiértékelésére egy hivatalos, strukturált interjún kívül egy klinikussal. Ez hasznos lehet arra, hogy ösztönözze az embereket arra, hogy szakmai segítséget kérjenek, ha egyébként költségek, távolság vagy egyszerű tudatosság hiánya miatt nem tudják, hogy valami nincs rendben.
„Ha méretezhető módon szeretne modelleket telepíteni, ” mondja a nő, „minimalizálni szeretné a használt adatokra vonatkozó korlátozásokat. Bármelyik rendszeres beszélgetésben használni szeretné, és a modell felveszi a természetes kölcsönhatásból az egyén állapotát. ”
Spotting minták
A modell a betegek 142 interjújából származó audio-, video- és átiratokra összpontosított, akiknek körülbelül 30% -át klinikusok diagnosztizálták depresszióval. Pontosabban, a szekvencia modellezésnek nevezett technikát alkalmazta, amelynek során mind a depressziós, mind a nem depressziós emberek szöveges és audio adatainak sorozatait betáplálták a modellbe. Ettől kezdve különböző beszédminták alakultak ki a depresszióval és anélkül szenvedő emberek számára. Például a „szomorú”, az „alacsony” vagy a „le” szavakat párosíthatják laposabb és egyhangúbb hangjelekkel.
De a modell feladata volt meghatározni, hogy mely minták konzisztensek a depresszióval. Aztán alkalmazta azt, amit megtanult, hogy megjósolja, mely új alanyok vannak depressziós. Végül 77% -os sikerességi rátát ért el a depresszió azonosításában.
A kutatók azt is megállapították, hogy a modellnek sokkal több információra van szüksége a depresszió előrejelzéséhez, pusztán attól, hogy egy hang miként hangzott, ellentétben azzal, hogy milyen szavakat használt az ember. Az utóbbival, amikor kizárólag a szövegre összpontosított, a modellnek átlagosan mindössze hét szekvenciát kellett elemeznie a depresszió előrejelzéséhez. De ha csak hangos hangot használt, akkor 30 sorozatra volt szükség. Ez azt sugallja, hogy az emberek által választott szavak jobban megjósolják a depressziót, mint azok hangzásának.
Algoritmikus túlteljesítés?
Még túl korai lenne azt mondani, hogyan lehet az AI modellt beépíteni a depresszió diagnózisába. "Ez egy lépés a szabad formájú interakciók elemzése felé, de ez csak egy kezdeti lépés" - mondja James Glass, a CSAIL vezető kutatója. Megjegyzi, hogy a tesztminta „apró” volt. Azt is mondja, hogy a kutatók megpróbálják jobban megérteni, hogy az összes nyers adat alapján milyen modelleket azonosítottak a depresszióra utaló modellként.
"Ezek a rendszerek hihetőbbek, ha van magyarázata annak, amit felvesznek" - mondja.
Ez azért fontos, mert az AI mentális egészségi állapotok diagnosztizálásában való alkalmazására vonatkozó ötletnek megvan a maga szkepticizmusa. Ezt már használják a terápiás chatbotokban, például a Woebotban, de ha részt vesznek a tényleges diagnózisban, a gépek szerepe más szintre kerülne.
A kanadai orvos, Adam Hofmann, a Washington Postban a közelmúltban írt , figyelmeztette az „algoritmikus túlteljesítés” -nek nevezett lehetséges következményeket.
"A hamis pozitív eredmények például arra vezethetik az embereket, akik még nem voltak depressziósak, azt hinni, hogy vannak" - írta. „Az ember mentális egészsége a genetikai, fizikai és környezeti tényezők összetett kölcsönhatásából áll. Ismertünk a gyógyászatban alkalmazott placebo és nocebo hatásokról, amikor a vak cukortabletták fogyasztói akár a gyógyszer pozitív vagy negatív hatásait is megtapasztalják, mivel pozitív vagy negatív elvárásaik vannak számukra.
"Ha azt mondják, hogy rosszul vagy, szó szerint ezt teheti."
Hofmann aggodalmát fejezte ki amiatt is, hogy az ilyen madárinfluenza-diagnosztikai eszközök következtetéseit milyen hosszú ideig lehet megőrizni harmadik felektől, például biztosítóktól vagy munkáltatóktól. A „depressziódetektorok” általi esetleges visszaélésekkel kapcsolatos aggodalmat szintén idézték a The Next Web nemrégiben írt blogbejegyzésében.
Alhanai és Glass hallották a félelmetes spekulációt annak kockázatáról, hogy túl sokat támaszkodnak az AI modelleire a mentális egészség diagnosztizálása során. De azt mondják, hogy kutatásaik célja az orvosok segítése, nem pedig pótlása.
"Reméljük, hogy az elemzés kiegészítő formáját biztosítani tudjuk" - mondja Glass. „A beteg nem állandóan az orvosnál. De ha a beteg otthon beszél a telefonjára, esetleg rögzíti a napi naplót, és a gép észlel változást, ez jelzi a betegnek, hogy vegye fel a kapcsolatot az orvossal.
"Nem a klinikus helyett tekintjük a technológiai döntéseket, hanem a döntést hozza." „Úgy véljük, hogy újabb bemeneti mutatót biztosít a klinikus számára. Még mindig hozzáférhetnek az általuk használt összes bemenethez. Ez csak azt jelentené, hogy újabb eszközt adnak nekik az eszközkészletükben. ”
