Diagnosticering af psykiske lidelser gennem AI-ansigtsudtryksevaluering

Forskere fra Tyskland har udviklet en metode til at identificere psykiske lidelser baseret på ansigtsudtryk fortolket af computersyn.

Den nye tilgang kan ikke kun skelne mellem upåvirkede og berørte forsøgspersoner, men kan også korrekt skelne depression fra skizofreni, samt i hvilken grad patienten i øjeblikket er påvirket af sygdommen.

Forskerne har leveret et sammensat billede, der repræsenterer kontrolgruppen til deres tests (til venstre på billedet nedenfor) og de patienter, der lider af psykiske lidelser (til højre). Flere personers identitet er blandet i repræsentationerne, og ingen af ​​billederne viser et bestemt individ:

Kilde: https://arxiv.org/pdf/2208.01369.pdf

Personer med affektive lidelser har en tendens til at have hævede øjenbryn, blyagtige blikke, hævede ansigter og mundudtryk. For at beskytte patientens privatliv er disse sammensatte billeder de eneste, der er tilgængelige til støtte for det nye arbejde.

Indtil nu har ansigtspåvirkningsgenkendelse primært været brugt som et potentielt værktøj til grundlæggende diagnose. Den nye tilgang tilbyder i stedet en mulig metode til at evaluere patientens fremskridt gennem hele behandlingen, ellers (potentielt, selvom papiret ikke foreslår det) i deres eget hjemlige miljø til ambulant overvågning.

I avisen står der*:

"Gå videre end maskindiagnose af depression i affektiv databehandling, som er blevet udviklet i tidligere undersøgelser, viser vi, at den målbare affektive tilstand estimeret ved hjælp af computersyn indeholder langt mere information end den rene kategoriske klassifikation.'

Forskerne har døbt denne teknik Opto elektronisk encefalografi (OEG), en fuldstændig passiv metode til at udlede mental tilstand ved ansigtsbilledanalyse i stedet for topiske sensorer eller strålebaserede medicinske billedteknologier.

Forfatterne konkluderer, at OEG potentielt ikke blot kan være en ren sekundær hjælp til diagnose og behandling, men på lang sigt en potentiel erstatning for visse evaluerende dele af behandlingspipelinen og en, der kan skære ned på den tid, der er nødvendig for patienten. overvågning og indledende diagnose. De bemærker:

'Samlet set viser de resultater, der er forudsagt af maskinen, bedre korrelationer sammenlignet med de rene kliniske observatørvurderingsbaserede spørgeskemaer og er også objektive. Den relativt korte måleperiode på nogle få minutter for computersynstilgange er også bemærkelsesværdig, hvorimod der nogle gange kræves timer til de kliniske interviews.'

Forfatterne er dog ivrige efter at understrege, at patientbehandling på dette område er en multimodal forfølgelse, hvor mange andre indikatorer for patienttilstand skal tages i betragtning end blot deres ansigtsudtryk, og at det er for tidligt at overveje, at et sådant system kunne helt erstatte traditionelle tilgange til psykiske lidelser. Ikke desto mindre betragter de OEG som en lovende hjælpeteknologi, især som en metode til at klassificere virkningerne af farmaceutisk behandling i henhold til en patients ordinerede regime.

papir er titlen Ansigtet af affektive lidelser, og kommer fra otte forskere på tværs af en bred vifte af institutioner fra den private og offentlige medicinske forskningssektor.

data

(Det nye papir beskæftiger sig mest med de forskellige teorier og metoder, der i øjeblikket er populære i patientdiagnostik af psykiske lidelser, med mindre opmærksomhed end normalt på de faktiske teknologier og processer, der anvendes i testene og forskellige eksperimenter)

Dataindsamlingen fandt sted på Universitetshospitalet i Aachen med 100 kønsbalancerede patienter og en kontrolgruppe på 50 ikke-ramte personer. Patienterne omfattede 35 patienter med skizofreni og 65 personer der led af depression.

For patientdelen af ​​testgruppen blev de indledende målinger taget på tidspunktet for første hospitalsindlæggelse og den anden før udskrivelsen fra hospitalet, der spænder over et gennemsnitligt interval på 12 uger. Kontrolgruppedeltagerne blev rekrutteret vilkårligt fra den lokale befolkning, med deres egen induktion og 'udledning', der afspejlede de faktiske patienters.

Faktisk må den vigtigste 'grundsandhed' for et sådant eksperiment være diagnoser opnået ved godkendte og standardmetoder, og det var tilfældet for OEG-forsøgene.

Dataindsamlingsfasen opnåede dog yderligere data, der var mere egnet til maskinfortolkning: interviews på gennemsnitligt 90 minutter blev fanget over tre faser med et Logitech c270 forbrugerwebkamera, der kørte med 25 fps.

Den første session bestod af en standard Hamilton interview (baseret på forskning stammer omkring 1960), som normalt ville blive givet ved optagelse. I anden fase, usædvanligt, blev patienterne (og deres kolleger i kontrolgruppen) vist videoer af en række ansigtsudtryk, og bedt om at efterligne hver af disse, mens de angiver deres egen vurdering af deres mentale tilstand på det tidspunkt, inklusive følelsesmæssig tilstand og intensitet. Denne fase varede omkring ti minutter.

I den tredje og sidste fase fik deltagerne vist 96 videoer af skuespillere, der varede lidt over ti sekunder hver, og som tilsyneladende fortæller om intense følelsesmæssige oplevelser. Deltagerne blev derefter bedt om at evaluere de følelser og intensitet, der var repræsenteret i videoerne, såvel som deres egne tilsvarende følelser. Denne fase varede omkring 15 minutter.

Metode

For at nå frem til gennemsnittet af de fangede ansigter (se første billede ovenfor), blev følelsesmæssige vartegn fanget med EmoNet rammer. Efterfølgende blev overensstemmelse mellem ansigtsformen og den gennemsnitlige (gennemsnitlige) ansigtsform bestemt stykkevis affin transformation.

Dimensionel følelsesgenkendelse , forudsigelse af øjenblik blev udført på hvert skelsættende segment identificeret i det foregående trin.

På dette tidspunkt har lydbaseret følelsesslutning indikeret, at et lærebart øjeblik er ankommet i patientens mentale tilstand, og opgaven er at fange det tilsvarende ansigtsbillede og udvikle den dimension og domæne af deres affekttilstand.

(I videoen ovenfor ser vi værket udviklet af forfatterne af de dimensionelle følelsesgenkendelsesteknologier, som forskerne brugte til det nye arbejde).

Formen geodætisk af materialet blev beregnet for hver ramme af dataene, og Singular Value Decomposition (SVD) reduktion anvendt. De resulterende tidsseriedata blev til sidst modelleret som en VAR proces, og derefter yderligere reduceret via SVD før MAP tilpasning.

Arbejdsgang for den geodætiske reduktionsproces.

Valens- og ophidselsesværdierne i EmoNet-netværket blev også behandlet på samme måde med VAR-modellering og sekvenskerneberegning.

Eksperimenter

Som forklaret tidligere, er det nye arbejde primært et medicinsk forskningspapir frem for en standardindsendelse af computersyn, og vi henviser læseren til selve papiret for at få en dybdegående dækning af de forskellige OEG-eksperimenter, der drives af forskerne.

Ikke desto mindre, for at opsummere et udvalg af dem:

Affektive lidelser

Her blev 40 deltagere (ikke fra kontrol- eller patientgruppen) bedt om at vurdere de vurderede gennemsnitlige ansigter (se ovenfor) i forhold til en række spørgsmål uden at blive informeret om konteksten af ​​dataene. Spørgsmålene var:

Hvad er kønnet på de to ansigter?
Har ansigterne et attraktivt udseende?
Er disse ansigter troværdige personer?
Hvordan vurderer du disse menneskers evne til at handle?
Hvad er følelsen af ​​de to ansigter?
Hvad er hududseendet på de to ansigter?
Hvad er indtrykket af blikket?
Har de to ansigter hængende mundvige?
Har de to ansigter hævede øjenbrune?
Er disse personer kliniske patienter?

Forskerne fandt, at disse blinde evalueringer korrelerede med den registrerede tilstand af de behandlede data:

Boksplotresultater for undersøgelsen 'gennemsnitligt ansigt'.

Klinisk vurdering

For at måle nytten af ​​OEG i den indledende vurdering, evaluerede forskerne først, hvor effektiv standard klinisk vurdering er i sig selv, idet de målte niveauer af forbedringer mellem induktionen og anden fase (på hvilket tidspunkt patienten typisk modtager lægemiddelbaserede behandlinger.

Forskerne konkluderede, at status og symptomsværhedsgrad kunne vurderes godt med denne metode, hvilket opnåede en korrelation på 0.82. En nøjagtig diagnose af enten skizofreni eller depression viste sig imidlertid at være mere udfordrende, idet standardmetoden kun opnåede en score på -0.03 på dette tidlige stadium.

Forfatterne kommenterer:

'I det væsentlige kan patientstatus bestemmes relativt godt ved hjælp af de sædvanlige spørgeskemaer. Det er dog i det væsentlige alt, der kan konkluderes ud fra det. Om nogen er deprimeret eller snarere skizofren er ikke indiceret. Det samme gælder for behandlingsreaktionen.'

Resultaterne fra maskinprocessen var i stand til at opnå højere score i dette problemområde og sammenlignelige scores for det indledende patientevalueringsaspekt:

Højere tal er bedre. Til venstre viser standard interview-baserede evalueringsnøjagtighed resultater på tværs af fire faser af testarkitekturen; til højre maskinbaserede resultater.

Diagnose af lidelse

At skelne depression fra skizofreni via statiske ansigtsbilleder er ikke en triviel sag. Krydsvalideret var maskinprocessen i stand til at opnå høj nøjagtighed på tværs af de forskellige faser af forsøgene:

I andre eksperimenter var forskerne i stand til at påvise bevis for, at OEG kan opfatte patientforbedring gennem farmakologisk behandling og generel behandling af lidelsen:

'Den kausale slutning over den empiriske forhåndsviden om dataindsamlingen justerede den farmakologiske behandling for at observere en tilbagevenden til den fysiologiske regulering af ansigtsdynamikken. En sådan tilbagevenden kunne ikke observeres under den kliniske ordination.

"I øjeblikket er det ikke klart, om en sådan maskinbaseret anbefaling virkelig ville resultere i en væsentlig bedre succes for behandlingen. Især fordi man ved, hvilke bivirkninger medicin kan have over længere tid.

"Men [denne slags] patienttilpassede tilgange ville bryde barriererne for det almindelige kategoriske klassifikationsskema, der stadig dominerende bruges i det daglige liv."

* Min konvertering af forfatternes inline-citater til hyperlinks.

Først udgivet 3. august 2022.