利用人工智慧模型提高憂鬱症評估的有效性

也許你聽說過，人們可以透過語調或一個人發出的任何聲音來相對準確地檢測和評估一個人的情緒和情緒。走出去。事實上，許多雄心勃勃的新創公司，例如 Beyond Verbal、Affectiva 和麻省理工學院的衍生公司 Cogito，目前正在推動自然語言處理計畫來實現這一目標。然而，也有許多觀點對這些項目持懷疑態度，認為僅靠健全的數據不足以準確分析一個人的情緒，更不用說應用這些分析結果來診斷憂鬱症及其嚴重程度。

• 迪士尼的人工智慧模型從腳本生成動畫序列

這就是印度理工學院巴特那和卡昂諾曼第大學的科學家著手實施一個潛在項目的原因，該項目利用言語和非言語信號（肢體語言），結合聲學、文本和圖像來診斷和評估一個人正在經歷的抑鬱或壓力的程度。特別是，言語和非言語訊號仍將在診斷中發揮關鍵作用，而非言語體徵和影像將作為有助於顯著提高診斷準確估計憂鬱症嚴重程度的因素。

「工作和生活的負擔，讓越來越多的人患有憂鬱症，甚至有時甚至自己不知道的精神疾病，導致病情越來越嚴重，給生活和工作帶來負面影響。” 這也是為什麼我們必須進一步推動在精神疾病，特別是憂鬱症的檢測、評估和治療中部署更先進、個人化和自動化的技術。然而，檢測憂鬱症的早期症狀是一個具有挑戰性的問題，因為這種疾病的許多症狀仍然是秘密的，並且可能會產生誤導，」研究人員分享道。

• 歐盟：人工智慧系統應以透明和負責任的方式建構和部署

為了解決這個問題，印度巴特那理工學院和卡昂諾曼第大學的科學家們對一些可以隱含地指涉人類情緒和狀態（包括思想）的元素進行了編碼，例如低頭、目光接觸、微笑的持續時間和強度，觸摸身體某些部位的手勢，以及文字和語言提示…然後輸入學習模型機器，然後將它們組合成向量（數學表示）。然後，這些合併的向量通過第二個系統，該系統根據個人健康困擾量表 (PHQ-8) 預測憂鬱水平，這是一種臨床試驗中常用的診斷測試。大規模臨床心理學研究。

為了訓練各種人工智慧系統，研究人員使用了 AIC-WOZ 中的資料——這是一個從痛苦分析訪談語料庫編譯而來的憂鬱症相關資料集。此資料集包含根據189個臨床訪談的錄音樣本、回答問題的影片片段擷取的大量手勢、言語、眼神以及動作數據，可支持焦慮、憂鬱、創傷後等症狀的心理診斷壓力障礙（偏離主題或未完成的答案已被刪除）。

• 麻省理工學院的人工智慧模型可以用最少的訓練資料自行捕捉物件之間的關係

經過幾個預處理步驟和訓練機器學習模型後，研究團隊使用 3 個指標比較了人工智慧系統的結果：均方誤差 (RMSE)、平均絕對誤差 (MAE) 和解釋變異數得分 (EVS)。根據研究人員的報告，聲音、文字和圖像三要素的融合有助於對特定受試者的憂鬱程度進行最準確的估計，超過了 RMSE 的最大值 7.17% 和 MAE 的最大值 8.08%。

• 「諾貝爾技術」獎頒給了教導人工智慧像人類一樣學習的軟體

未來，研究團隊還計劃測試更現代的多任務學習架構，並更深入地「挖掘」與文字資料相關的新問題。如果這些計畫能帶來正面的成果，那麼它們將確實是人工智慧在醫學領域的應用，特別是神經系統疾病治療方面向前邁出的堅實一步，同時為目前超過3 億的憂鬱症患者帶來光明的前景。預計未來幾年在全球範圍內的成長速度會更快。