Diagnostika deprese je složitá záležitost.
Neexistuje žádný krevní test, žádné vyšetření, žádná biopsie, která by poskytla důkazy o tom, že se něco zhoršilo. Místo toho je plná váha na dovednosti vyškoleného klinického lékaře, aby provedl hodnocení založené převážně na odpovědích člověka na řadu standardních otázek. Diagnóza je dále komplikována skutečností, že deprese může být projevena několika způsoby - od apatie k agitaci až po extrémní stravovací nebo spánkové vzorce.
Představa, že umělá inteligence může pomoci předvídat, zda osoba trpí depresí, je tedy potenciálně velkým krokem vpřed - i když s tím přináší otázky o tom, jak by mohla být použita.
To umožňuje, říká Tuka Alhanai, výzkumný pracovník v MIT's Computer Science and Artificial Intelligence Laboratory (CSAIL), je schopnost modelu strojového učení identifikovat řečové a jazykové vzorce spojené s depresí. Ještě důležitější je, že model, který vyvinula spolu s vědcem MIT Mohammadem Ghassemiem, dokázal rozpoznat depresi s relativně vysokou mírou přesnosti analýzou toho, jak lidé mluví, spíše než jejich konkrétními odpověďmi na otázky klinického lékaře.
To je to, co Alhanai označuje jako analýzu „bez kontextu“; jinými slovy, model bere jeho vodítka ze slov, která lidé volí a jak jim říkají, aniž by se pokusili interpretovat význam svých tvrzení.
"Namísto toho, aby model řekl, aby se zaměřil na odpovědi na konkrétní otázky, je naprogramován na to, aby sám zjistil, na co se chce zaměřit, " říká.
Alhanai poznamenává, že potenciální přínos spočívá v tom, že tento typ přístupu neuronové sítě lze jednoho dne použít k vyhodnocení přirozenějších rozhovorů člověka mimo formální strukturovaný rozhovor s lékařem. To by mohlo být užitečné při povzbuzování lidí, aby hledali odbornou pomoc, pokud by jinak nemohli, kvůli nákladům, vzdálenosti nebo prostě nedostatečnému vědomí, že se něco děje.
„Pokud chcete modely nasadit škálovatelným způsobem, “ říká, „chcete minimalizovat množství omezení, která máte na data, která používáte. Chcete ji nasadit do jakékoli pravidelné konverzace a nechat model vyzvednout, od přirozené interakce, po stav jednotlivce. “
Špinavé vzory
Model se zaměřil na audio, video a přepisy ze 142 rozhovorů s pacienty, z nichž asi 30 procent z nich byla klinickými lékaři diagnostikována depresí. Konkrétně se jednalo o techniku zvanou sekvenční modelování, při které byly do modelu přiváděny sekvence textových a zvukových dat jak u lidí s depresí, tak bez deprese. Z toho se u lidí s depresí i bez ní objevily různé vzorce řeči. Například slova jako „smutný“, „nízký“ nebo „dolů“ mohou mít tendenci být spárovány s hlasovými signály, které jsou plošší a monotónnější.
Ale bylo na modelu, aby určil, které vzorce byly v souladu s depresí. Poté aplikoval to, co se naučil, aby předpověděl, které nové subjekty byly depresivní. Nakonec dosáhla 77% úspěšnosti při identifikaci deprese.
Vědci také zjistili, že model potřebuje mnohem více dat k předpovědi deprese pouze z toho, jak zněl hlas, na rozdíl od toho, jaká slova použila osoba. Když se model zaměřil výhradně na text, model potřeboval analyzovat průměr pouze sedmi sekvencí, aby předpověděl depresi. Ale při použití pouze hlasového zvuku vyžadovalo 30 sekvencí. To naznačuje, že slova, která si člověk zvolí, jsou lepším prediktorem deprese, než jak zní.
Algoritmické přesahy?
Je ještě příliš brzy na to říct, jak by se model AI mohl začlenit do diagnostiky deprese. "Je to krok k tomu, abychom mohli analyzovat více interakcí ve volné formě, ale je to pouze počáteční krok, " říká James Glass, vedoucí vědecký pracovník CSAIL. Poznamenává, že testovací vzorek byl „malý“. Také říká, že vědci se budou chtít pokusit lépe porozumět tomu, jaké konkrétní vzorce ze všech nezpracovaných údajů, které model identifikoval jako indikující depresi.
"Tyto systémy jsou uvěřitelnější, když máte vysvětlení toho, co vyzvedávají, " říká.
To je důležité, protože celá myšlenka použití umělé inteligence při diagnostice stavů duševního zdraví byla splněna svým podílem skepticismu. Už se používá v terapeutických chatbotech, jako je Woebot, ale zapojení do skutečné diagnózy by roli strojů posunulo na jinou úroveň.
Kanadský lékař Adam Hofmann, který nedávno napsal ve Washington Post, varoval před možnými důsledky toho, co nazýval „algoritmickým přesahem“.
"Mohli by například falešně pozitivně vést lidi, kteří ještě nejsou v depresi, aby věřili, že jsou, " napsal. "Duševní zdraví člověka je komplexní souhra genetických, fyzických a environmentálních faktorů." Známe účinky placeba a nocebo v medicíně, když nevidomí uživatelé tabletek na cukr zažívají buď pozitivní nebo negativní účinky léku, protože mají buď pozitivní nebo negativní očekávání.
"Říká se, že se necítíš, že by to doslova dokázalo."
Společnost Hofmann rovněž vyjádřila obavy ohledně toho, jak dlouho lze závěry takových diagnostických nástrojů AI uchovat od třetích stran, jako jsou pojišťovny nebo zaměstnavatelé. Tato úzkost ohledně možného zneužívání prostřednictvím „detektorů deprese“ byla rovněž zmíněna v nedávném blogovém příspěvku na webu The Next Web.
Alhanai a Glass slyšeli znepokojivé spekulace o rizicích spoléhání se příliš na modely AI pro diagnostiku duševního zdraví. Říká se však, že jejich výzkum je zaměřen na pomoc klinickým lékařům, nikoliv na jejich nahrazení.
"Doufáme, že můžeme poskytnout doplňkovou formu analýzy, " říká Glass. "Pacient není pořád u doktora." Pokud však pacient mluví do svého telefonu doma, možná zaznamenává denní deník a přístroj detekuje změnu, může pacientovi signalizovat, že by měl kontaktovat lékaře.
"Místo klinika nehlídáme na rozhodování o technologii, " dodává. "Považujeme to za poskytnutí další vstupní metriky klinickému lékaři." Stále by měli přístup ke všem současným vstupům, které používají. To by jim jen dalo další nástroj v jejich sadě nástrojů. “
