Dijagnosticiranje depresije lukav je posao.
Nema ispitivanja krvi, ne skeniranja, niti biopsije koja pruža tvrde dokaze o nečemu pogrešnom. Umjesto toga, puna težina je na vještini obučenog kliničara da napravi procjenu koja se temelji u velikoj mjeri na temelju odgovora osobe na niz standardnih pitanja. Dijagnoza se dodatno komplicira činjenicom da se depresija može pokazati na više načina - od apatije do uznemirenosti do ekstremnih načina prehrane ili spavanja.
Dakle, predodžba da bi umjetna inteligencija mogla pomoći predvidjeti da li osoba pati od depresije potencijalno je veliki korak naprijed - premda onaj koji sa sobom donosi pitanja o tome kako se može koristiti.
Tuka Alhanai, istraživačica iz MIT-ovog laboratorija za računalnu znanost i umjetnu inteligenciju (CSAIL), omogućuje to model strojnog učenja za prepoznavanje obrazaca govora i jezika povezanih s depresijom. Što je još važnije, model koji su razvili ona i njegov kolega sa znanstvenika s MIT-a Mohammad Ghassemi uspio je prepoznati depresiju s relativno visokim stupnjem točnosti analizom načina na koji ljudi govore, umjesto njihovih specifičnih odgovora na klinička pitanja.
To je ono što Alhanai naziva analizom bez konteksta; drugim riječima, model uzima znakove iz riječi koje ljudi odaberu i kako ih izgovaraju, bez pokušaja tumačenja značenja njihovih izjava.
"Umjesto da se modelu usredotoči na odgovore na određena pitanja, programirano je da sama shvati na što se želi usredotočiti", kaže ona.
Potencijalna korist, napominje Alhanai, jest da se ovakav pristup neuronske mreže jednog dana može iskoristiti za procjenu prirodnijih razgovora neke osobe izvan formalnog, strukturiranog razgovora s liječnikom. To bi moglo biti korisno u poticanju ljudi da potraže stručnu pomoć kada ih u suprotnom ne mogu, zbog troškova, udaljenosti ili jednostavno nedostatka svijesti da nešto nije u redu.
"Ako želite razmjestiti modele na skalabilan način", kaže, "želite smanjiti količinu ograničenja na podatke koje koristite. Želite ga implementirati u bilo koji redovni razgovor i model pokupiti, iz prirodne interakcije, stanja pojedinca. "
Promatranje obrazaca
Model se fokusirao na audio, video zapise i transkripte iz 142 intervjua pacijenata, kojima je oko 30 posto kliničara dijagnosticirano s depresijom. Konkretno, koristila se tehnika koja se zove modeliranje sekvenci, u kojoj su sekvence tekstualnih i audio podataka i depresivnih i ne-depresivnih ljudi ubačene u model. Iz toga su se pojavili različiti obrasci govora za ljude sa i bez depresije. Na primjer, riječi poput "tužno", "nisko" ili "dolje" mogu biti uparene s glasovnim signalima koji su ravniji i monotoniji.
Ali na modelu je bilo utvrditi koji su obrasci u skladu s depresijom. Zatim je primijenila ono što je naučila predvidjeti koji su novi subjekti depresivni. U konačnici je postigla uspjeh od 77 posto u prepoznavanju depresije.
Istraživači su također otkrili da je modelu potrebno znatno više podataka za predviđanje depresije samo iz načina na koji zvuči glas, za razliku od riječi koje osoba koristi. S posljednjim, kad se fokusirao isključivo na tekst, model je trebao analizirati prosječno samo sedam nizova da bi se predvidjela depresija. No, kada se koristi samo glasovni zvuk, bilo je potrebno 30 slijeda. To sugerira da su riječi koje osoba odabere bolji prediktor depresije nego kako zvuče.
Algoritamsko prekomjerno približavanje?
Još je prerano reći kako bi se AI model mogao ugraditi u dijagnozu depresije. "To je korak prema mogućnosti analize više interakcija u slobodnoj formi, ali to je samo početni korak", kaže James Glass, stariji istraživač u CSAIL-u. Napominje da je testni uzorak bio „sićušan“. Također kaže da će istraživači pokušati bolje razumjeti koji su konkretni obrasci iz svih sirovih podataka koji su model identificirali kao pokazatelj depresije.
"Ovi su sustavi vjerovatniji kada imate objašnjenje o onome što uzimaju", kaže on.
To je važno jer je cijela ideja korištenja AI u dijagnosticiranju stanja mentalnog zdravlja ispunjena udjelom skepse. Već se koristi u chatbotovima za terapiju, kao što je Woebot, ali uključivanje u stvarnu dijagnozu dovelo bi ulogu strojeva na drugu razinu.
Kanadski liječnik Adam Hofmann, pišući nedavno u Washington Postu, upozorio je na moguće posljedice po ono što je nazvao "algoritamskim prekomjernim postupkom".
"Mogu li, primjerice, lažni pozitivni navodi dovesti ljude koji još nisu depresivni da vjeruju da jesu", napisao je. "Nečije mentalno zdravlje složeno je međusobno djelovanje genetskih, fizičkih i okolišnih čimbenika. Znamo za placebo i nocebo efekte u medicini, kada slijepi korisnici šećernih pilula doživljavaju ili pozitivne ili negativne učinke lijeka jer oni imaju ili pozitivna ili negativna očekivanja od njega.
"Ako vam kažu da vam nije dobro, to bi doslovno moglo učiniti tako."
Hofmann je također izrazio zabrinutost oko toga koliko dugo se zaključci takvih AI dijagnostičkih alata mogu čuvati od trećih strana, poput osiguratelja ili poslodavaca. Da je zabrinutost zbog potencijalne zloupotrebe putem "detektora depresije" također je navedena u nedavnom blogu na The Next Web.
Alhanai i Glass čuli su grozne nagađanja o rizicima previše oslanjanja na AI modele za dijagnozu mentalnog zdravlja. Ali kažu da su njihova istraživanja usmjerena na pomoć kliničarima, a ne na njihovu zamjenu.
"Nadamo se da ćemo pružiti komplementarni oblik analize", kaže Glass. "Pacijent nije stalno s liječnikom. Ali ako pacijent razgovara kod kuće sa svojim telefonom, možda snima dnevni dnevnik, a uređaj otkrije promjenu, to može pacijentu signalizirati da treba kontaktirati liječnika.
"Ne vidimo tehnologiju donošenja odluka umjesto liječnika", dodaje on. „Mi na to vidimo liječniku koji pruža još jedan ulazni podatak. I dalje bi imali pristup svim trenutnim ulazima koje koriste. Ovo bi im bilo samo još jedan alat u kutiji s alatima. "
