Depressiooni diagnoosimine on keeruline äri.
Puudub vereanalüüs, skaneerimine ega biopsia, mis annaks kõvasti tõendeid selle kohta, et midagi on valesti läinud. Selle asemel on kogu kaal väljaõppinud kliiniku oskusel anda hinnang, mis põhineb suuresti inimese vastustel reale standardküsimustele. Diagnoosimist raskendab veelgi asjaolu, et depressiooni saab avaldada mitmel viisil - alates apaatiast kuni agiteerimiseni kuni äärmuslike söömis- või magamisharjumiteni.
Niisiis, arusaam, et tehisintellekt võib aidata ette näha, kui inimene põeb depressiooni, on potentsiaalselt suur samm edasi - ehkki see toob endaga kaasa küsimusi selle kasutamise kohta.
MITi arvutiteaduse ja tehisintellekti laboratooriumi (CSAIL) teadur Tuka Alhanai sõnul on see masinõppe mudeli võime tuvastada depressiooniga seotud kõne- ja keelemustrid. Veelgi olulisem on see, et tema ja teise MIT-i teadlase Mohammad Ghassemi väljatöötatud mudel suutis depressiooni suhteliselt suure täpsusega ära tunda, analüüsides inimeste kõnelemist, mitte aga nende konkreetseid vastuseid kliiniku küsimustele.
Alhanai nimetab seda kontekstivabaks analüüsiks; teisisõnu, mudel võtab oma näpunäited sõnadest, mille inimesed valivad ja kuidas nad neid ütlevad, proovimata nende avalduste tähendust tõlgendada.
"Selle asemel, et käskida mudelil keskenduda konkreetsetele küsimustele vastustele, on see programmeeritud välja mõtlema, millele ta keskenduda soovib, " ütleb ta.
Võimalik kasu, märgib Alhanai, on see, et seda tüüpi närvivõrgustiku lähenemisviisi võiks ühel päeval kasutada inimese loomulikumate vestluste hindamiseks väljaspool ametlikku, struktureeritud vestlust arstiga. See võib olla abiks inimeste julgustamisel professionaalse abi otsimiseks, kui nad muidu ei pruugi kulude, vahemaa või lihtsalt teadmatuse tõttu, et midagi on valesti, otsimiseks.
"Kui soovite juurutada mudeleid skaleeritaval viisil, " ütleb ta, "soovite minimeerida kasutatavate andmete piiramist. Soovite seda kasutada kõigis tavapärastes vestlustes ja lasta mudelil loomuliku interaktsiooni põhjal inimese olekut üles võtta. ”
Määrimismustrid
Mudel keskendus 142 patsiendi küsitluse audio-, video- ja stenogrammidele, kellest umbes 30 protsendil olid arstid diagnoosinud depressiooni. Täpsemalt, see kasutas tehnikat, mida nimetatakse järjestuse modelleerimiseks, mille käigus sisestati mudelisse nii depressioonis kui ka depressioonis olevate inimeste teksti- ja heliandmete jadad. Sellest alates tekkisid depressiooniga ja ilma depressioonita inimeste jaoks erinevad kõneharjumused. Näiteks võib selliseid sõnu nagu „kurb”, „madal” või „madal” siduda lamedamate ja ühetooniliste helisignaalidega.
Kuid mudeli ülesandeks oli kindlaks teha, millised mustrid olid depressiooniga kooskõlas. Seejärel rakendas ta õpitu ennustamiseks, millised uued subjektid olid depressioonis. Lõppkokkuvõttes saavutas see depressiooni tuvastamisel 77-protsendilise edukuse.
Teadlased leidsid ka, et mudel vajas depressiooni ennustamiseks märkimisväärselt rohkem andmeid üksnes selle järgi, kuidas hääl kõlas, mitte selle järgi, milliseid sõnu inimene kasutas. Kui viimane keskendus eranditult tekstile, oli mudelil vaja depressiooni ennustamiseks analüüsida keskmiselt ainult seitset jada. Kuid ainult hääleheli kasutamisel oli vaja 30 jada. See viitab sellele, et inimese valitud sõnad ennustavad paremini depressiooni kui seda, kuidas need kõlavad.
Algoritmiline ülereguleerimine?
Praegu on veel liiga vara öelda, kuidas AI mudelit depressiooni diagnoosimisse lisada. "See on samm vabakujuliste interaktsioonide analüüsimise suunas, kuid see on alles esimene samm, " ütleb CSAILi vanemteadur James Glass. Ta märgib, et testitav proov oli “pisike”. Samuti ütleb ta, et teadlased tahavad proovida paremini mõista, milliseid konkreetseid mudeleid kõigist lähteandmetest leidis mudel, mis viitas depressioonile.
"Need süsteemid on usutavad, kui teil on selgitus, mida nad üles korjavad, " ütleb ta.
See on oluline, sest kogu idee kasutada AI-d vaimse tervise seisundi diagnoosimisel on täidetud selle osa skepsisega. Seda kasutatakse juba teraapia vestlusprogrammides, näiteks Woebot, kuid tegelikus diagnoosimises osalemine viiks masinate rolli teisele tasemele.
Kanada arst Adam Hofmann, kirjutades hiljuti Washington Postis, hoiatas võimalike tagajärgede eest, mida ta nimetas algoritmiliseks ülereageerimiseks.
"Kas valepositiivsus võib näiteks viia inimesi, kes pole veel depressioonis, uskuma, et nad on, " kirjutas ta. „Inimese vaimne tervis on geneetiliste, füüsiliste ja keskkonnategurite keeruline koosmõju. Me teame platseebo ja notsebo mõjust meditsiinis, kui pimedad suhkrutablettide kasutajad kogevad ravimi kas positiivset või negatiivset mõju, kuna neil on selle suhtes kas positiivsed või negatiivsed ootused.
"Kui öeldakse, et olete halb, võib see sõna otseses mõttes seda muuta."
Hofmann väljendas muret ka selle pärast, kui kaua võiks selliste AI-diagnostikavahendite järeldusi säilitada kolmandatelt osapooltelt, näiteks kindlustusandjatelt või tööandjatelt. Ka ärevust võimaliku kuritarvitamise pärast “depressioonidetektorite” kaudu viidati hiljutises ajaveebi The Next Web postituses.
Alhanai ja Glass on kuulnud hirmutavat spekulatsiooni ohtudest, mis võivad vaimse tervise diagnoosimisel liiga palju AI mudelitele tugineda. Kuid nad ütlevad, et nende uurimistöö on suunatud arstide abistamisele, mitte nende asendamisele.
"Loodame, et suudame pakkuda täiendavat analüüsi vormi, " ütleb Glass. “Patsient pole kogu aeg arsti juures. Kuid kui patsient räägib kodus oma telefoni, võib-olla salvestab päevase päeviku ja masin tuvastab muudatuse, võib see anda patsiendile märku, et ta peaks pöörduma arsti poole.
"Me ei vaata kliiniku asemel tehnoloogiaid otsuseid langetavat tehnoloogiat, " lisab ta. „Me näeme, et see pakub kliinikule veel ühte sisendmõõdikut. Neil oleks endiselt juurdepääs kõigile praegustele sisenditele, mida nad kasutavad. See annaks neile lihtsalt uue tööriista oma tööriistakastis. ”
