Диагностика депрессии - сложное дело.
Там нет анализа крови, нет сканирования, нет биопсии, чтобы предоставить убедительные доказательства того, что что-то пошло не так. Вместо этого полный вес зависит от умения обученного врача проводить оценку, основанную в основном на ответах человека на ряд стандартных вопросов. Диагностика еще более осложняется тем фактом, что депрессия может проявляться множеством способов - от апатии до возбуждения, экстремальных режимов питания или сна.
Таким образом, представление о том, что искусственный интеллект может помочь предсказать, страдает ли человек от депрессии, потенциально является большим шагом вперед, хотя и вызывает вопросы о том, как его можно использовать.
По словам Тука Алханаи, исследователя из Лаборатории компьютерных наук и искусственного интеллекта MIT (CSAIL), Тука Алханаи является способностью модели машинного обучения выявлять речевые и языковые модели, связанные с депрессией. Что еще более важно, модель, которую она и ее коллега-ученый из МТИ Мохаммада Гассеми разработали, была способна распознавать депрессию с относительно высокой степенью точности, анализируя то, как люди говорят, а не их конкретные ответы на вопросы врача.
Это то, что Алханай называет «контекстно-свободным» анализом; другими словами, модель берет свои подсказки от слов, которые люди выбирают, и от того, как они их произносят, не пытаясь интерпретировать значение их утверждений.
«Вместо того, чтобы указывать модели сосредоточиться на ответах на конкретные вопросы, она запрограммирована на то, чтобы самостоятельно выяснить, на чем она хочет сосредоточиться», - говорит она.
Потенциальная выгода, отмечает Алханай, заключается в том, что этот тип нейросетевого подхода мог бы когда-нибудь использоваться для оценки более естественных разговоров человека вне формального структурированного интервью с врачом. Это может быть полезно для поощрения людей обращаться за профессиональной помощью, когда они не могут этого сделать из-за стоимости, расстояния или просто из-за отсутствия понимания того, что что-то не так.
«Если вы хотите развернуть модели в масштабируемом режиме, - говорит она, - вы хотите минимизировать количество ограничений, которые у вас есть для данных, которые вы используете. Вы хотите развернуть его в любом обычном разговоре и попросить модель определить, исходя из естественного взаимодействия, состояние личности ».
Пятнистые узоры
Модель была сфокусирована на аудио, видео и стенограммах из 142 интервью с пациентами, около 30 процентов из которых были диагностированы с депрессией клиницистами. В частности, он использовал технику, называемую моделированием последовательностей, в которой последовательности текстовых и аудиоданных как от людей с депрессией, так и от людей без депрессии вводились в модель. Исходя из этого, у людей с депрессией и без нее возникли разные речевые паттерны. Например, такие слова, как «грустный», «низкий» или «вниз», могут иметь тенденцию сочетаться с более речевыми и монотонными речевыми сигналами.
Но это было до модели, чтобы определить, какие модели соответствуют депрессии. Затем он применил то, что узнал, чтобы предсказать, какие новые предметы были в депрессии. В конечном счете, он достиг 77% успеха в выявлении депрессии.
Исследователи также обнаружили, что модели требовалось значительно больше данных, чтобы предсказать депрессию исключительно по тому, как звучал голос, а не по тем словам, которые использовал человек. Что касается последнего, когда он фокусировался исключительно на тексте, модели необходимо было проанализировать в среднем только семь последовательностей, чтобы предсказать депрессию. Но при использовании только голосового аудио требовалось 30 последовательностей. Это говорит о том, что слова, которые человек выбирает, лучше предсказывают депрессию, чем то, как они звучат.
Алгоритмическое перенапряжение?
Еще слишком рано говорить о том, как модель ИИ может быть включена в диагностику депрессии. «Это шаг к возможности анализировать больше взаимодействий в свободной форме, но это только начальный шаг», - говорит Джеймс Гласс, старший научный сотрудник CSAIL. Он отмечает, что тестовый образец был «крошечным». Он также говорит, что исследователи захотят попытаться лучше понять, какие конкретные закономерности из всех необработанных данных, которые модель определила как показательные для депрессии.
«Эти системы более правдоподобны, когда у вас есть объяснение того, что они собирают», - говорит он.
Это важно, потому что вся идея использования ИИ в диагностике состояний психического здоровья была встречена с долей скептицизма. Он уже используется в терапевтических чат-ботах, таких как Woebot, но участие в реальной диагностике выведет роль машин на другой уровень.
Канадский доктор Адам Хофманн, недавно написавший в « Вашингтон пост», предупредил о возможных последствиях того, что он назвал «алгоритмическим перенапряжением».
«Могут ли, например, ложные срабатывания привести людей, которые еще не впали в депрессию, поверить в это», - написал он. «Психическое здоровье человека - это сложная взаимосвязь генетических, физических и экологических факторов. Мы знаем о эффектах плацебо и ноцебо в медицине, когда слепые потребители таблеток сахара испытывают как положительные, так и отрицательные эффекты лекарства, потому что у них есть как положительные, так и отрицательные ожидания от него.
«Если вам скажут, что вы нездоровы, это может буквально сделать это».
Хофманн также выразил обеспокоенность по поводу того, как долго выводы таких диагностических инструментов ИИ могут храниться от сторонних организаций, таких как страховщики или работодатели. Об этой тревоге по поводу возможного злоупотребления со стороны «детекторов депрессии» также упоминалось в недавнем сообщении в блоге на The Next Web.
Алханай и Гласс слышали опасения о том, что риск слишком полагаться на модели искусственного интеллекта для диагностики психического здоровья. Но они говорят, что их исследования направлены на помощь клиницистам, а не на их замену.
«Мы надеемся, что сможем предоставить дополнительную форму анализа», - говорит Гласс. «Пациент не с доктором все время. Но если пациент разговаривает дома со своим телефоном, возможно, записывает ежедневный дневник, и аппарат обнаруживает изменение, он может сигнализировать пациенту, что ему следует обратиться к врачу.
«Мы не рассматриваем технологию, принимающую решения, вместо клинициста», - добавляет он. «Мы рассматриваем это как предоставление другого входного показателя для клинициста. Они по-прежнему будут иметь доступ ко всем текущим входам, которые они используют. Это просто даст им еще один инструмент в их наборе инструментов ».
