Mengesan kemurungan adalah perniagaan yang rumit.
Tidak ada ujian darah, tiada imbasan, tiada biopsi untuk memberikan keterangan keras tentang sesuatu yang hilang. Sebaliknya, berat badan penuh adalah pada kemahiran seorang doktor yang terlatih untuk membuat penilaian berdasarkan sebahagian besarnya pada tanggapan seseorang terhadap beberapa soalan standard. Diagnosis semakin rumit oleh fakta bahawa kemurungan boleh dipamerkan dalam pelbagai cara-dari sikap tidak peduli kepada pergolakan kepada pola makan atau tidur yang melampau.
Jadi, tanggapan bahawa kepintaran buatan dapat membantu meramalkan jika seseorang mengalami kemurungan berpotensi menjadi langkah besar ke depan-walaupun ada yang mengajukan pertanyaan tentang bagaimana ia dapat digunakan.
Apa yang membuatnya mungkin, kata Tuka Alhanai, seorang penyelidik di MIT's Computer Science dan Laboratory Intelligence Laboratory (CSAIL), adalah kemampuan model pembelajaran mesin untuk mengenali pola ucapan dan bahasa yang berkaitan dengan kemurungan. Lebih penting lagi, modelnya dan ahli sains MITI Mohammad Ghassemi yang maju dapat mengenali kemurungan dengan tahap ketepatan yang agak tinggi dengan menganalisis bagaimana orang bercakap, dan bukannya respons spesifik mereka kepada soalan klinisi.
Itulah yang dikatakan Alhanai sebagai analisis "bebas konteks"; dalam erti kata lain, model mengambil isyarat dari kata-kata yang dipilih orang dan bagaimana mereka mengatakannya, tanpa cuba mentafsirkan makna kenyataan mereka.
"Daripada memberitahu model untuk memberi tumpuan kepada jawapan kepada soalan-soalan tertentu, ia diprogram untuk memikirkan sendiri apa yang ingin ditumpukan, " katanya.
Manfaat berpotensi, nota Alhanai, ialah pendekatan rangkaian neural jenis ini boleh digunakan untuk menilai perbualan yang lebih alami seseorang di luar wawancara berstruktur formal dengan seorang doktor. Ini boleh membantu dalam menggalakkan orang ramai mencari bantuan profesional apabila mereka tidak mungkin, kerana kos, jarak atau hanya kekurangan kesedaran yang salah.
"Jika anda ingin menggunakan model dengan cara yang berskala, " katanya, "anda ingin meminimumkan jumlah kekangan yang ada pada data yang anda gunakan. Anda ingin menggunakannya dalam mana-mana perbualan biasa dan dapatkan model itu, dari interaksi semulajadi, keadaan individu. "
Corak mengesan
Model ini memberi tumpuan kepada audio, video dan transkrip daripada 142 wawancara pesakit, kira-kira 30 peratus daripada mereka telah didiagnosis dengan kemurungan oleh doktor. Khususnya, ia menggunakan teknik yang dipanggil urutan model, di mana urutan teks dan data audio dari kedua-dua orang yang tertekan dan tidak depresi diserahkan kepada model. Daripada itu, corak ucapan yang berbeza muncul untuk orang yang mempunyai dan tanpa kemurungan. Sebagai contoh, kata-kata seperti "sedih, " "rendah" atau "bawah" mungkin cenderung dipasangkan dengan isyarat suara yang lebih megah dan lebih monoton.
Tetapi terpulang kepada model untuk menentukan pola mana yang konsisten dengan kemurungan. Kemudian ia menerapkan apa yang dipelajari untuk meramalkan subjek-subjek baru yang tertekan. Pada akhirnya, ia mencapai kadar kejayaan 77 peratus dalam mengenal pasti kemurungan.
Para penyelidik juga mendapati bahawa model itu memerlukan lebih banyak data untuk meramalkan kemurungan semata-mata dari bagaimana suara dibunyikan, bertentangan dengan kata-kata yang digunakan seseorang. Dengan yang kedua, apabila ia memberi tumpuan secara eksklusif pada teks, model diperlukan untuk menganalisis purata hanya tujuh urutan untuk meramalkan kemurungan. Tetapi apabila hanya menggunakan audio suara, ia memerlukan 30 urutan. Itu menunjukkan bahawa kata-kata yang dipilih oleh seseorang adalah peramal kemurungan yang lebih baik daripada bagaimana mereka berbunyi.
Jangkauan algoritma?
Masih terlalu lama untuk mengatakan bagaimana model AI mungkin dimasukkan ke dalam diagnosis kemurungan. "Ini satu langkah ke arah menganalisis lebih banyak interaksi bentuk bebas, tetapi ia hanya satu langkah awal, " kata James Glass, saintis penyelidik kanan dalam CSAIL. Dia menyatakan bahawa sampel ujian adalah "kecil." Dia juga mengatakan bahawa para penyelidik akan cuba untuk lebih memahami apa corak khusus dari semua data mentah model yang dikenal pasti sebagai petunjuk kemurungan.
"Sistem ini lebih mudah dipercayai apabila anda mempunyai penjelasan mengenai apa yang mereka pilih, " katanya.
Itu penting kerana keseluruhan idea menggunakan AI dalam mendiagnosis keadaan kesihatan mental telah dipenuhi dengan keraguannya. Ia sudah digunakan dalam chatbots terapi, seperti Woebot, tetapi terlibat dalam diagnosis sebenar akan mengambil peranan mesin ke tahap yang lain.
Doktor Kanada, Adam Hofmann, menulis baru-baru ini di Washington Post, memberi amaran tentang kemungkinan akibatnya terhadap apa yang disebut sebagai "jangkauan algoritma."
"Bolehkah positif palsu, misalnya, memimpin orang yang belum tertekan untuk mempercayai mereka, " tulisnya. "Kesihatan mental seseorang adalah interaksi antara faktor genetik, fizikal dan alam sekitar. Kami tahu tentang kesan plasebo dan nokebo dalam ubat, apabila pengguna mata pil gula mengalami masalah positif atau negatif ubat kerana mereka mempunyai harapan positif atau negatif terhadapnya.
"Jika diberitahu anda tidak sihat mungkin benar-benar membuatnya."
Hofmann juga menimbulkan kebimbangan mengenai berapa lama kesimpulan alat diagnostik AI itu boleh disimpan dari luar pihak ketiga, seperti penanggung insurans atau majikan. Kebimbangan mengenai potensi penyalahgunaan melalui "pengesan kemurungan" juga dipetik dalam catatan blog terkini di The Next Web.
Alhanai dan Glass telah mendengar spekulasi yang membimbangkan mengenai risiko bergantung kepada model AI untuk diagnosis kesihatan mental. Tetapi mereka mengatakan bahawa penyelidikan mereka ditujukan untuk membantu doktor, tidak menggantikannya.
"Kami berharap kami dapat menyediakan satu bentuk analisis pelengkap, " kata Glass. "Pesakit tidak bersama doktor sepanjang masa. Tetapi jika pesakit bercakap di rumah ke dalam telefon mereka, mungkin merakam diari harian, dan mesin mengesan perubahan, ia mungkin memberi isyarat kepada pesakit bahawa mereka perlu menghubungi doktor.
"Kami tidak melihat keputusan membuat teknologi berbanding doktor, " tambahnya. "Kami melihatnya sebagai menyediakan metrik input lain kepada doktor. Mereka masih mempunyai akses kepada semua input semasa yang mereka gunakan. Ini hanya akan memberi mereka alat lain dalam kotak alat mereka. "
