Дијагностицирање депресије је лукав посао.
Нема испитивања крви, не скенирања, нити биопсије која би пружила тешке доказе о нечему погрешном. Уместо тога, пуна тежина је на вештини обученог клиничара да направи евалуацију засновану углавном у одговору особе на низ стандардних питања. Дијагноза се додатно усложњава чињеницом да се депресија може показати на више начина - од апатије до узнемирености до екстремних образаца једења и спавања.
Дакле, идеја да вештачка интелигенција може помоћи да се предвиди да ли особа пати од депресије потенцијално је велики корак напред - мада онај који са собом доноси питања о томе како се може користити.
Оно што то омогућава, каже Тука Алханаи, истраживач у МИТ-овој лабораторији за рачунарску науку и вештачку интелигенцију (ЦСАИЛ), је способност машинског модела учења за препознавање образаца говора и језика повезаних са депресијом. Оно што је још важније, модел који је развила она и њен колега са научника са МИТ-а Мохаммад Гхассеми био је у стању препознати депресију са релативно високим степеном тачности анализирајући како људи говоре, уместо њихових специфичних одговора на питања клиничара.
То је оно што Алханаи назива анализом без контекста; другим речима, модел узима знакове из речи које људи бирају и како их изговарају, не покушавајући да протумаче значење својих изјава.
„Уместо да моделу каже да се фокусира на одговоре на одређена питања, програмирано је да сам схвати на шта се жели фокусирати“, каже она.
Потенцијална корист, напомиње Алханаи, јесте да би се овај вид неуронске мреже једног дана могао користити за процјену природнијих разговора неке особе ван формалног, структурираног разговора са лијечником. То би могло бити од користи за охрабривање људи да потраже стручну помоћ када иначе не би могли, због трошкова, удаљености или једноставно недостатка свести о томе да нешто није у реду.
„Ако желите да моделе размештате на скалабилан начин, “ каже она, „желите да умањите количину ограничења у подацима које користите. Желите да га разместите у било којем редовном разговору и да модел покупите, из природне интеракције, стања појединца. "
Споттинг обрасци
Модел се фокусирао на аудио, видео записе и транскрипте из 142 интервјуа пацијената, којима је око 30 посто дијагностиковано од депресије од стране клиничара. Конкретно, користила је технику која се зове моделирање секвенци, у којој су у модел унесене секвенце текстуалних и аудио података и депресивних и не-депресивних људи. Из тога су се појавили различити обрасци говора код људи са и без депресије. На пример, речи попут „тужно“, „ниско“ или „доле“ могу имати тенденцију да буду упарене са гласовним сигналима који су равнији и монотонији.
Али на моделу је било да се утврди који су обрасци у складу са депресијом. Затим је применио оно што је научио да предвиди које су нове теме депресивне. У коначници је постигла успех од 77 процената у препознавању депресије.
Истраживачи су такође открили да је моделу потребно знатно више података за предвиђање депресије само из начина на који звучи глас, за разлику од речи које особа користи. Са последњим, када се фокусирао искључиво на текст, модел је требао да анализира просечно само седам низова да би се предвидјела депресија. Али када се користи само гласовни звук, било му је потребно 30 секвенци. То сугерише да су речи које особа одабере бољи предиктор депресије него како звуче.
Алгоритмичка прекомерност?
Још је прерано рећи како би се АИ модел могао уградити у дијагнозу депресије. „То је корак ка могућности да се анализира више интеракција у слободној форми, али то је само почетни корак, “ каже Јамес Гласс, виши научник за истраживање у ЦСАИЛ-у. Напомиње да је тест узорак био „сићушан“. Такође каже да ће истраживачи желети да покушају боље да схвате који су специфични обрасци из свих сирових података који су модел идентификовали као показатеље депресије.
„Ови системи су вероватнији када имате објашњење за оно што узимају“, каже он.
То је важно јер је цела идеја коришћења АИ у дијагностицирању стања менталног здравља испуњена својим уделом скепсе. Већ се користи у цхатботовима за терапију, као што је Воебот, али укључивање у стварну дијагнозу довело би улогу машина на други ниво.
Канадски доктор Адам Хофманн, пишући недавно у Васхингтон Пост-у, упозорио је на могуће последице по оно што је назвао "алгоритамским прекомерним радом".
"Могу ли, на пример, лажни позитивни наводи довести људе који још нису депресивни да верују да јесу", написао је. „Нечије ментално здравље представља сложену интеракцију генетских, физичких и околишних фактора. Знамо за плацебо и ноцебо ефекте у медицини, када слепи корисници таблета са шећером доживе или позитивне или негативне ефекте лека, јер они имају или позитивна или негативна очекивања од њега.
"Ако вам кажу да вам није добро, то би буквално могло учинити тако."
Хофманн је такође изразио забринутост око тога колико дуго се закључци таквих АИ дијагностичких алата могу чувати од трећих страна, попут осигуравача или послодаваца. Та тјескоба због потенцијалне злоупотребе путем "детектора депресије" такође је наведена у недавном посту на блогу на Тхе Нект Веб.
Алханаи и Гласс су чули застрашујуће спекулације о ризицима превише ослањања на АИ моделе за дијагнозу менталног здравља. Али кажу да је њихово истраживање усмерено на помоћ клиничарима, а не на њихову замену.
"Надамо се да можемо пружити комплементарни облик анализе", каже Гласс. „Пацијент није стално код доктора. Али ако пацијент разговара код куће са својим телефоном, можда снима дневни дневник, а машина детектира промену, то може пацијенту сигнализирати да треба да се обрати лекару.
„Не гледамо технологију која доноси одлуке уместо лекара, “ додаје он. „Ми то посматрамо као пружање још једне улазне метрике за клиничара. И даље би имали приступ свим тренутним улазима које користе. Ово би им само дало још један алат у кутији са алатима. "
