Η διάγνωση της κατάθλιψης είναι μια δύσκολη επιχείρηση.
Δεν υπάρχει εξέταση αίματος, σάρωση, βιοψία για να αποδειχθεί ότι κάτι δεν ήταν σωστό. Αντ 'αυτού, το βάρος είναι στην ικανότητα ενός εκπαιδευμένου κλινικού ιατρού να κάνει μια αξιολόγηση βασισμένη σε μεγάλο βαθμό στις απαντήσεις ενός ατόμου σε μια σειρά από τυποποιημένες ερωτήσεις. Η διάγνωση περιπλέκεται περαιτέρω από το γεγονός ότι η κατάθλιψη μπορεί να εκδηλωθεί με πολλαπλούς τρόπους - από την απάθεια έως την ανάδευση έως τα ακραία πρότυπα κατανάλωσης ή ύπνου.
Έτσι, η ιδέα ότι η τεχνητή νοημοσύνη θα μπορούσε να βοηθήσει στην πρόβλεψη εάν ένα άτομο πάσχει από κατάθλιψη είναι ενδεχομένως ένα μεγάλο βήμα προς τα εμπρός - αν και φέρνει μαζί του ερωτήματα σχετικά με τον τρόπο με τον οποίο θα μπορούσε να χρησιμοποιηθεί.
Αυτό που το καθιστά αυτό δυνατό, λέει ο Tuka Alhanai, ερευνητής στο Εργαστήριο Υπολογιστών και Τεχνητής Νοημοσύνης (CSAIL) του MIT, είναι η ικανότητα ενός μοντέλου μηχανικής μάθησης να εντοπίζει τα ομιλία και τα πρότυπα γλώσσας που σχετίζονται με την κατάθλιψη. Το πιο σημαντικό είναι ότι το μοντέλο που εξέλιξε ο ίδιος ο επιστήμονας του MIT, Mohammad Ghassemi, ήταν σε θέση να αναγνωρίσει την κατάθλιψη με σχετικά υψηλό βαθμό ακρίβειας, αναλύοντας τον τρόπο με τον οποίο οι άνθρωποι μιλούν, παρά τις συγκεκριμένες απαντήσεις τους σε ερωτήσεις ενός κλινικού ιατρού.
Είναι αυτό που ο Alhanai αναφέρεται ως ανάλυση "ελεύθερου περιβάλλοντος". με άλλα λόγια, το μοντέλο παίρνει τα συνθήματά του από τις λέξεις που οι άνθρωποι επιλέγουν και πώς τους λένε, χωρίς να προσπαθούν να ερμηνεύσουν την έννοια των δηλώσεών τους.
"Αντί να λέμε στο μοντέλο να εστιάζει στις απαντήσεις σε συγκεκριμένες ερωτήσεις, είναι προγραμματισμένο να καταλάβει από μόνο του τι θέλει να επικεντρωθεί", λέει.
Το πιθανό όφελος, σημειώνει ο Alhanai, είναι ότι ένας τέτοιος τύπος προσέγγισης νευρωνικών δικτύων θα μπορούσε μία μέρα να χρησιμοποιηθεί για να αξιολογήσει τις πιο φυσικές συνομιλίες ενός ατόμου έξω από μια επίσημη δομημένη συνέντευξη με έναν κλινικό ιατρό. Αυτό θα μπορούσε να είναι χρήσιμο για την ενθάρρυνση των ανθρώπων να αναζητήσουν επαγγελματική βοήθεια όταν διαφορετικά δεν θα μπορούσαν, λόγω κόστους, απόστασης ή απλά έλλειψης συνειδητοποίησης ότι κάτι είναι λάθος.
"Εάν θέλετε να αναπτύξετε μοντέλα με έναν κλιμακωτό τρόπο", λέει, "θέλετε να ελαχιστοποιήσετε το ποσό των περιορισμών που έχετε στα δεδομένα που χρησιμοποιείτε. Θέλετε να το αναπτύξετε σε οποιαδήποτε τακτική συζήτηση και να έχετε το μοντέλο να πάρει, από τη φυσική αλληλεπίδραση, την κατάσταση του ατόμου. "
Εντοπισμός μοτίβων
Το μοντέλο επικεντρώθηκε σε ακουστικά, βίντεο και μεταγραφές από 142 συνεντεύξεις ασθενών, περίπου το 30% των οποίων είχε διαγνωσθεί με κατάθλιψη από κλινικούς ιατρούς. Συγκεκριμένα, χρησιμοποίησε μια τεχνική που ονομάζεται μοντελοποίηση αλληλουχίας, στην οποία τροφοδοτήθηκαν στο πρότυπο ακολουθίες κειμένου και ηχητικών δεδομένων τόσο από καταθλιπτικά όσο και από μη καταθλιπτικά άτομα. Από αυτό, προέκυψαν διαφορετικά πρότυπα ομιλίας για άτομα με ή χωρίς κατάθλιψη. Για παράδειγμα, λέξεις όπως «λυπηρό», «χαμηλό» ή «κάτω» μπορεί να τείνουν να συνδυάζονται με φωνητικά σήματα που είναι πιο επίπεδη και πιο μονότονα.
Αλλά ήταν στο μοντέλο να καθορίσει ποια πρότυπα ήταν συμβατά με την κατάθλιψη. Στη συνέχεια, εφάρμοσε αυτό που έμαθε να προβλέψει ποια νέα θέματα ήταν καταθλιπτικά. Τελικά, πέτυχε 77% ποσοστό επιτυχίας στον εντοπισμό της κατάθλιψης.
Οι ερευνητές διαπίστωσαν επίσης ότι το μοντέλο χρειάστηκε σημαντικά περισσότερα δεδομένα για να προβλέψει την κατάθλιψη μόνο από το πώς ακούστηκε η φωνή, σε αντίθεση με τις λέξεις που χρησιμοποίησε κάποιος. Με τον τελευταίο, όταν εστιάστηκε αποκλειστικά στο κείμενο, το μοντέλο χρειάστηκε να αναλύσει κατά μέσο όρο μόνο επτά ακολουθίες για να προβλέψουμε την κατάθλιψη. Αλλά όταν χρησιμοποιούσα μόνο φωνητικό ήχο, απαιτούσε 30 ακολουθίες. Αυτό υποδηλώνει ότι οι λέξεις που επιλέγει ένας άνθρωπος είναι ένας καλύτερος προγνωστικός παράγοντας της κατάθλιψης από τον τρόπο που ακούγονται.
Αλγοριθμική υπέρβαση;
Είναι ακόμη πολύ νωρίς για να πούμε πώς ένα μοντέλο AI μπορεί να ενσωματωθεί στη διάγνωση της κατάθλιψης. "Είναι ένα βήμα για να μπορέσουμε να αναλύσουμε αλληλεπιδράσεις ελεύθερης μορφής, αλλά είναι μόνο ένα πρώτο βήμα", λέει ο James Glass, ανώτερος ερευνητής στο CSAIL. Σημειώνει επίσης ότι το δείγμα δοκιμής ήταν "μικροσκοπικό". Επίσης λέει ότι οι ερευνητές θα θελήσουν να κατανοήσουν καλύτερα ποια συγκεκριμένα μοτίβα από όλα τα πρωτογενή δεδομένα του μοντέλου εντοπίστηκαν ως ενδεικτικά της κατάθλιψης.
"Αυτά τα συστήματα είναι πιο αξιόπιστα όταν έχετε μια εξήγηση για το τι παίρνουν", λέει.
Αυτό είναι σημαντικό επειδή ολόκληρη η ιδέα της χρήσης του AI στη διάγνωση των συνθηκών ψυχικής υγείας έχει επιτευχθεί με το μερίδιο του σκεπτικισμού. Είναι ήδη χρησιμοποιημένο σε chatbots θεραπείας, όπως το Woebot, αλλά η συμμετοχή στην πραγματική διάγνωση θα αναλάβει το ρόλο των μηχανών σε άλλο επίπεδο.
Ο καναδός γιατρός Adam Hofmann, γράφοντας πρόσφατα στην Washington Post, προειδοποίησε για τις πιθανές συνέπειες σε αυτό που ανέφερε ως "αλγοριθμική υπέρβαση".
"Θα μπορούσαν ψευδώς θετικά, για παράδειγμα, να οδηγήσουν τους ανθρώπους που δεν έχουν ακόμη κατάθλιψη να πιστεύουν ότι είναι", έγραψε. "Η ψυχική υγεία ενός ατόμου είναι μια πολύπλοκη αλληλεπίδραση γενετικών, φυσικών και περιβαλλοντικών παραγόντων. Γνωρίζουμε τις επιδράσεις του φαρμάκου και του nocebo στην ιατρική, όταν οι τυφλοί χρήστες χάπια ζάχαρης βιώνουν είτε τις θετικές ή αρνητικές επιδράσεις ενός φαρμάκου επειδή έχουν είτε τις θετικές είτε αρνητικές προσδοκίες αυτού.
"Το να είσαι άτυχος μπορεί να το κάνει έτσι."
Ο Hofmann εξέφρασε επίσης ανησυχίες σχετικά με το πόσο θα μπορούσαν να διατηρηθούν τα συμπεράσματα τέτοιων διαγνωστικών εργαλείων της ΑΠ από εξωτερικούς τρίτους, όπως οι ασφαλιστές ή οι εργοδότες. Αυτό το άγχος για ενδεχόμενη κατάχρηση μέσω των "ανιχνευτών κατάθλιψης" αναφέρθηκε επίσης σε μια πρόσφατη δημοσίευση στο blog στο The Next Web.
Ο Alhanai και ο Glass έχουν ακούσει την ανησυχητική εικασία σχετικά με τους κινδύνους να βασίζονται υπερβολικά σε μοντέλα AI για διάγνωση ψυχικής υγείας. Αλλά λένε ότι η έρευνά τους έχει ως στόχο να βοηθήσει τους κλινικούς ιατρούς, όχι να τις αντικαταστήσει.
«Ελπίζουμε ότι μπορούμε να προσφέρουμε μια συμπληρωματική μορφή ανάλυσης», λέει ο Glass. "Ο ασθενής δεν είναι με το γιατρό όλη την ώρα. Αλλά εάν ο ασθενής μιλάει στο σπίτι στο τηλέφωνό του, ίσως καταγράφει ένα ημερήσιο ημερολόγιο και το μηχάνημα ανιχνεύει μια αλλαγή, μπορεί να σηματοδοτήσει στον ασθενή ότι πρέπει να επικοινωνήσει με τον γιατρό.
"Δεν βλέπουμε τις αποφάσεις λήψης τεχνολογίας αντί για τον κλινικό, " προσθέτει. "Θεωρούμε ότι παρέχει μια άλλη μέτρηση εισόδου στον κλινικό ιατρό. Θα εξακολουθούν να έχουν πρόσβαση σε όλες τις τρέχουσες εισόδους που χρησιμοποιούν. Αυτό θα τους έδινε ένα άλλο εργαλείο στην εργαλειοθήκη τους. "
