L’intelligenza artificiale può diagnosticare la depressione

Risultati immagini per artificial intelligence saatchi art
Imitation II (Jamie Twyman)

Per diagnosticare la depressione, i medici intervistano i pazienti, ponendo domande specifiche – riguardanti, per esempio, malattie mentali passate, stile di vita e umore – e identificano la condizione in base alle risposte del paziente. Negli ultimi anni, il machine learning è stato considerato un utile aiuto per la diagnostica. Ad esempio, sono stati sviluppati modelli di apprendimento automatico in grado di rilevare parole e intonazioni del parlato che potrebbero indicare depressione. Ma questi modelli tendono a prevedere che una persona è depressa o meno, in base alle risposte specifiche della persona a domande specifiche. Questi metodi sono accurati, ma la loro dipendenza dal tipo di domanda richiesta limita come e dove possono essere utilizzati. I ricercatori del MIT descrivono un modello di rete neurale che può essere applicato su testo non elaborato e dati audio da interviste per scoprire modelli di linguaggio indicativi di depressione. Dato un nuovo argomento, può prevedere con precisione se l’individuo è depresso, senza bisogno di altre informazioni sulle domande e risposte. I ricercatori sperano che questo metodo possa essere utilizzato per sviluppare strumenti per rilevare i segni di depressione nelle conversazioni naturali. In futuro, il modello potrebbe, ad esempio, potenziare le app mobili che monitorano il testo e la voce di un utente per disagio mentale e inviare avvisi. Questo potrebbe essere particolarmente utile per coloro che non possono arrivare a un medico per una diagnosi iniziale, a causa della distanza, dei costi o della mancanza di consapevolezza che qualcosa potrebbe essere sbagliato. Il primo indizio che abbiamo di una persona felice, eccitata, triste o con qualche grave condizione cognitiva, come la depressione, è attraverso il loro discorso. Si desidera un modello applicabile in qualsiasi conversazione normale e fare in modo che il modello riprenda, dall’interazione naturale, lo stato dell’individuo. La tecnologia potrebbe ancora, naturalmente, essere utilizzata per identificare il disagio mentale nelle conversazioni casuali negli studi clinici. Ogni paziente parlerà in modo diverso, e se il modello vede cambiamenti forse sarà un marker per i medici. Questo è un passo avanti nel vedere se possiamo fare qualcosa di aiuto per aiutare i medici. L’innovazione chiave del modello risiede nella sua capacità di individuare modelli indicativi di depressione, e quindi mappare tali modelli a nuovi individui, senza ulteriori informazioni. Lo chiamiamo ‘context-free’, perché non stai ponendo alcun vincolo nei tipi di domande che stai cercando e il tipo di risposte a queste domande. Altri modelli sono forniti con una serie specifica di domande, e poi vengono forniti esempi di come una persona senza depressione risponde ed esempi di come una persona con depressione risponde – ad esempio, la semplice indagine, “Hai una storia di depressione?” usa quelle risposte esatte per determinare se un nuovo individuo è depresso quando viene posta la stessa domanda esatta. Ma non è così naturale come funzionano le conversazioni. I ricercatori, d’altra parte, hanno usato una tecnica chiamata modellazione di sequenza, spesso utilizzata per l’elaborazione del parlato. Con questa tecnica, hanno alimentato le sequenze di modelli di testo e dati audio da domande e risposte, da individui sia depressi che non depressi, uno per uno. Man mano che le sequenze si accumulavano, il modello estrasse modelli di discorso che emersero per le persone con o senza depressione. Parole come, ad esempio, “triste” possono essere abbinate a segnali audio più piatti e più monotoni. Gli individui con depressione possono anche parlare più lentamente e usare pause più lunghe tra le parole. Questi identificatori di testo e audio per il disagio mentale sono stati esaminati in precedenti ricerche. Alla fine è stato il modello a determinare se eventuali modelli fossero predittivi della depressione. Il modello vede sequenze di parole o stile parlante, e determina che questi modelli hanno più probabilità di essere visti in persone che sono depresse. Quindi, se vede le stesse sequenze in nuovi soggetti, può prevedere se sono depressi. Questa tecnica di sequenziamento aiuta anche il modello a guardare la conversazione nel suo complesso e a notare le differenze tra il modo in cui le persone con e senza la depressione parlano nel tempo. I ricercatori hanno testato il loro modello su un set di dati di 142 interazioni dal Distress Analysis Interview Corpus che contiene interviste audio, testuali e video di pazienti con problemi di salute mentale e agenti virtuali controllati dall’uomo. Ogni soggetto è valutato in termini di depressione su una scala da 0 a 27, utilizzando il questionario sulla salute personale. Negli esperimenti, il modello è stato valutato utilizzando metriche di precisione e richiamo. Misure di precisione quali dei soggetti depressi identificati dal modello sono stati diagnosticati come depressi. Uno degli elementi chiave della ricerca è che, durante gli esperimenti, il modello aveva bisogno di molti più dati per prevedere la depressione dall’audio rispetto al testo. Con il testo, il modello può rilevare con precisione la depressione utilizzando una media di sette sequenze di domande-risposte. Con l’audio, il modello aveva bisogno di circa 30 sequenze. Ciò implica che gli schemi nelle parole che le persone usano che sono predittivi della depressione si verificano in un intervallo di tempo più breve nel testo che nell’audio. Tali informazioni potrebbero aiutare i ricercatori del MIT e altri a perfezionare ulteriormente i loro modelli. Questo lavoro rappresenta un pilota molto incoraggiante. Ma ora i ricercatori cercano di scoprire quali modelli specifici identifichino il modello attraverso punteggi di dati grezzi. In questo momento è un po ‘una scatola nera. La prossima sfida è scoprire quali dati vengono catturati. I ricercatori mirano anche a testare questi metodi su ulteriori dati da molti più soggetti con altre condizioni cognitive, come la demenza. Arrivare ad una diagnosi certa nel minor tempo possibile è sempre la grande sfida del futuro.

Daniele Corbo

Bibliografia: “Detecting Depression with Audio/Text Sequence Modeling of Interviews” is available from the MIT website.

6 commenti Aggiungi il tuo

  1. Le perle di R. ha detto:

    Terrò le dita incrociate, anche se non credo molto a queste cose: è solo un modo per rendere l’idea 😉

    Mi piace

    1. Un sostegno che può indirizzare il lavoro degli specialisti

      Piace a 1 persona

  2. Excelente información.
    Un abrazo y un gusto enorme poder leerte.
    Saludos cordiales

    Mi piace

Rispondi

Inserisci i tuoi dati qui sotto o clicca su un'icona per effettuare l'accesso:

Logo WordPress.com

Stai commentando usando il tuo account WordPress.com. Chiudi sessione /  Modifica )

Google+ photo

Stai commentando usando il tuo account Google+. Chiudi sessione /  Modifica )

Foto Twitter

Stai commentando usando il tuo account Twitter. Chiudi sessione /  Modifica )

Foto di Facebook

Stai commentando usando il tuo account Facebook. Chiudi sessione /  Modifica )

Connessione a %s...