Verbeter de effectiviteit van het beoordelen van depressie met AI-modellen

Misschien heb je wel eens gehoord dat mensen de emoties en stemming van een individu relatief nauwkeurig kunnen detecteren en beoordelen via stemintonatie of welk geluid dan ook dat die persoon maakt. Veel ambitieuze startups zoals Beyond Verbal, Affectiva en MIT-spin-out Cogito zijn momenteel bezig met projecten voor natuurlijke taalverwerking om dit mogelijk te maken. Er zijn echter ook veel meningen die sceptisch staan ​​tegenover deze projecten en van mening zijn dat goede gegevens alleen niet voldoende zijn om de stemming van een persoon accuraat te analyseren, laat staan ​​toe te passen. Gebruik deze analyseresultaten om depressie en de ernst ervan te diagnosticeren.

• Het AI-model van Disney genereert geanimeerde sequenties op basis van scripts

Dit is de reden waarom wetenschappers van het Indian Institute of Technology Patna en Caen Normandy University begonnen zijn met de implementatie van een potentieel project, waarbij gebruik wordt gemaakt van verbale en non-verbale signalen (lichaamstaal), gecombineerd met akoestiek, tekst en afbeeldingen om de mate van depressie of stress die een persoon ervaart. Met name verbale en non-verbale signalen zullen nog steeds een sleutelrol spelen bij de diagnose, terwijl non-verbale signalen en beelden zullen worden gebruikt als factoren die de diagnose aanzienlijk zullen helpen verbeteren.

“De last van werk en leven zorgt ervoor dat steeds meer mensen met depressies en zelfs psychische aandoeningen leven waar ze soms niet eens van weten, wat leidt tot steeds ernstiger ziekten. Deze worden ernstiger en hebben negatieve gevolgen voor het leven en werk. Dit is ook de reden waarom we de inzet van meer geavanceerde, gepersonaliseerde en geautomatiseerde technologieën bij de detectie, beoordeling en behandeling van geestesziekten in het algemeen en depressie in het bijzonder verder moeten bevorderen. Het opsporen van vroege tekenen van depressie is echter een uitdagend probleem, omdat veel symptomen van deze ziekte nog steeds geheim zijn en misleidend kunnen zijn”, vertellen onderzoekers.

• EU: AI-systemen moeten op een transparante en verantwoorde manier worden gebouwd en ingezet

Om dit probleem op te lossen hebben wetenschappers van het Indian Institute of Technology Patna en Caen Normandy University een aantal elementen gecodeerd die impliciet kunnen verwijzen naar menselijke emoties en toestanden, inclusief gedachten, zoals hangend hoofd, oogcontact, duur en intensiteit van glimlachen, gebaren die bepaalde delen van het lichaam aanraken, samen met tekst en verbale signalen… En vervolgens ingevoerd in de leermodelmachine en ze vervolgens combineren tot vectoren (wiskundige representaties). Deze samengevoegde vectoren werden vervolgens door een tweede systeem geleid dat depressieniveaus voorspelde op basis van de Personal Health Distress Scale (PHQ-8) - een diagnostische test die vaak wordt gebruikt in klinische onderzoeken.Grootschalig klinisch psychologisch onderzoek.

Om verschillende AI-systemen te trainen, gebruikten de onderzoekers gegevens in AIC-WOZ - een depressiegerelateerde dataset samengesteld uit het Distress Analysis Interview Corpus. Deze dataset bevat een enorme hoeveelheid gegevens over gebaren, spraak, ogen en acties, geëxtraheerd op basis van audio-opnames, videoclips die vragen beantwoorden uit 189 klinische interviews, klaar om psychologische diagnoses te ondersteunen voor symptomen zoals angst, depressie en posttraumatisch stressstoornis (antwoorden die buiten het onderwerp vallen of onafgemaakt zijn, zijn verwijderd).

• Het AI-model van MIT kan op zichzelf relaties tussen objecten vastleggen met minimale trainingsgegevens

Na verschillende voorverwerkingsstappen en het trainen van het machine learning-model vergeleek het onderzoeksteam de resultaten van AI-systemen met behulp van drie meetgegevens: Mean Square Error (RMSE), Mean Absolute Error (MAE) en verklaarde variantiescore (EVS). Volgens het rapport van de onderzoekers heeft de samensmelting van de drie elementen geluid, tekst en beeld bijgedragen tot de meest nauwkeurige schatting van het depressieniveau van een specifiek onderwerp, vergeleken met een maximum van 7,17% op RMSE en 8,08% op MAE.

• De ‘Nobeltechnologie’-prijs werd toegekend aan software die AI leert leren zoals mensen

In de toekomst is het onderzoeksteam ook van plan modernere multitask-leerarchitecturen te testen en dieper te "graven" in nieuwe problemen met betrekking tot tekstgegevens. Als ze positieve resultaten opleveren, zullen deze projecten werkelijk een grote stap voorwaarts betekenen in de toepassing van kunstmatige intelligentie in de geneeskunde in het algemeen en bij de behandeling van neurologische ziekten in het bijzonder, terwijl ze tegelijkertijd veelbelovende vooruitzichten bieden voor de ruim 300 miljoen mensen die momenteel aan depressie lijden, en Er wordt verwacht dat deze de komende jaren wereldwijd nog sneller zal toenemen.