Mielenterveyshäiriöiden diagnosointi tekoälyn ilmeen arvioinnin avulla

Saksalaiset tutkijat ovat kehittäneet menetelmän mielenterveyshäiriöiden tunnistamiseen tietokonenäön tulkitsemien ilmeiden perusteella.

Uudella lähestymistavalla ei voida ainoastaan ​​erottaa sairastuneita ja sairaita henkilöitä, vaan se voi myös erottaa oikein masennuksen skitsofreniasta sekä siitä, missä määrin potilas tällä hetkellä vaikuttaa sairauteen.

Tutkijat ovat toimittaneet yhdistelmäkuvan, joka edustaa heidän testiensä kontrolliryhmää (vasemmalla alla olevassa kuvassa) ja potilaita, jotka kärsivät mielenterveyshäiriöistä (oikealla). Useiden ihmisten identiteetit sekoittuvat esityksiin, eikä kumpikaan kuva kuvaa tiettyä henkilöä:

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

Affektiivisista häiriöistä kärsivillä henkilöillä on yleensä kohotettuja kulmakarvoja, lyijyisiä katseita, turvonneita kasvoja ja roikkuvan koiran suun ilmeitä. Potilaan yksityisyyden suojaamiseksi nämä yhdistelmäkuvat ovat ainoita, jotka on saatavilla uuden työn tueksi.

Tähän asti kasvojen vaikutelmien tunnistusta on käytetty ensisijaisesti mahdollisena työkaluna perusdiagnoosissa. Uusi lähestymistapa sen sijaan tarjoaa mahdollisen menetelmän arvioida potilaan edistymistä hoidon aikana tai muuten (mahdollisesti, vaikka paperi ei ehdota sitä) omassa kotiympäristössä avohoidon seurantaa varten.

Lehdessä lukee*:

"Menee enemmän kuin masennuksen konediagnosointi affektiivisessa tietojenkäsittelyssä, joka on kehitetty vuonna edellinen opinnot, osoitamme, että tietokonenäön avulla arvioitu mitattavissa oleva affektiivinen tila sisältää paljon enemmän tietoa kuin pelkkä kategorinen luokitus.'

Tutkijat ovat nimenneet tämän tekniikan Opto-elektroninen enkefalografia (OEG), täysin passiivinen menetelmä päätellä mielentilaa kasvokuvaanalyysin avulla paikallisten sensorien tai sädepohjaisten lääketieteellisten kuvantamistekniikoiden sijaan.

Kirjoittajat päättelevät, että OEG ei potentiaalisesti voisi olla pelkkä diagnoosin ja hoidon toissijainen apuväline, vaan pitkällä aikavälillä mahdollinen korvaaminen tietyille hoitoputkiston arvioiville osille, ja se voisi lyhentää potilaan tarvitsemaa aikaa. seuranta ja alkudiagnoosi. He huomauttavat:

”Koneen ennustamat tulokset osoittavat kaiken kaikkiaan parempia korrelaatioita verrattuna puhtaisiin kliinisen tarkkailijan luokitukseen perustuviin kyselylomakkeisiin ja ovat myös objektiivisia. Huomionarvoista on myös suhteellisen lyhyt, muutaman minuutin mittausaika tietokonenäkömenetelmissä, kun taas kliiniset haastattelut vaativat joskus tunteja.

Kirjoittajat haluavat kuitenkin korostaa, että potilaiden hoito tällä alalla on multimodaalista toimintaa, jossa on otettava huomioon monia muita potilaan tilaindikaattoreita kuin vain heidän ilmeensä, ja että on liian aikaista ajatella, että tällainen järjestelmä voisi korvaavat täysin perinteiset lähestymistavat mielenterveysongelmiin. Siitä huolimatta he pitävät OEG:tä lupaavana lisäteknologiana, erityisesti menetelmänä lääkehoidon vaikutusten arvioimiseksi potilaalle määrätyssä hoito-ohjelmassa.

- paperi on otsikko Affektiivisten häiriöiden kasvot, ja se tulee kahdeksalta tutkijalta useista yksityisen ja julkisen lääketieteen tutkimusalan instituutioista.

Päiväys

(Uusi artikkeli käsittelee pääasiassa erilaisia ​​teorioita ja menetelmiä, jotka ovat tällä hetkellä suosittuja mielenterveyshäiriöiden potilaiden diagnosoinnissa, kiinnittäen tavallista vähemmän huomiota varsinaisiin tekniikoihin ja prosesseihin, joita käytetään testeissä ja erilaisissa kokeissa)

Tiedonkeruu tapahtui Aachenin yliopistollisessa sairaalassa, jossa oli 100 sukupuolitasapainoista potilasta ja 50 henkilön kontrolliryhmä, joka ei sairastunut. Potilaiden joukossa oli 35 skitsofreniaa sairastavaa ja 65 masennuksesta kärsivää.

Testiryhmän potilasosalle ensimmäiset mittaukset tehtiin ensimmäisen sairaalahoidon yhteydessä ja toisen ennen sairaalasta kotiutumista, ja ne kattoivat keskimäärin 12 viikon mittausjakson. Kontrolliryhmän osallistujat rekrytoitiin mielivaltaisesti paikallisesta väestöstä, heidän omalla induktiolla ja "poistumisella" heijastelee todellisten potilaiden toimintaa.

Itse asiassa tällaisen kokeen tärkeimmän "perustatuuden" tulee olla hyväksytyillä ja standardimenetelmillä saadut diagnoosit, ja näin oli OEG-kokeissa.

Tiedonkeruuvaiheessa saatiin kuitenkin lisätietoa, joka soveltui paremmin konetulkintaan: keskimäärin 90 minuuttia kestäneet haastattelut tallennettiin kolmessa vaiheessa Logitech c270 -kuluttajaverkkokameralla, jonka nopeus oli 25 kuvaa sekunnissa.

Ensimmäinen istunto koostui standardista Hamiltonin haastattelu (tutkimuksen perusteella peräisin noin 1960), kuten yleensä annettaisiin sisäänpääsyn yhteydessä. Toisessa vaiheessa potilaat (ja heidän vastineensa vertailuryhmässä) näytettiin poikkeuksellisesti videot sarjaa kasvonilmeitä ja pyydettiin jäljittelemään jokaista näistä samalla kun he kertoivat oman arvionsa henkisestä tilastaan ​​tuolloin, mukaan lukien tunnetila ja intensiteetti. Tämä vaihe kesti noin kymmenen minuuttia.

Kolmannessa ja viimeisessä vaiheessa näyttelijöille näytettiin 96 videota näyttelijöistä, joista jokainen kesti hieman yli kymmenen sekuntia ja jotka ilmeisesti kertoivat voimakkaista tunnekokemuksista. Tämän jälkeen osallistujia pyydettiin arvioimaan videoissa esitettyjä tunteita ja intensiteettiä sekä omia vastaavia tunteitaan. Tämä vaihe kesti noin 15 minuuttia.

Menetelmä

Kaapattujen kasvojen keskiarvon saavuttamiseksi (katso ensimmäinen kuva yllä), tunnepitoiset maamerkit vangittiin EmoNet puitteet. Tämän jälkeen kasvojen muodon ja keskimääräisen (keskimääräisen) kasvojen muodon välinen vastaavuus määritettiin paloittain affiininen muunnos.

Moniulotteinen tunteiden tunnistus ja silmän katseen ennustus suoritettiin jokaiselle edellisessä vaiheessa tunnistetulle maamerkkisegmentille.

Tässä vaiheessa äänipohjainen tunnepäätelmä on osoittanut, että potilaan mielentilassa on saavutettu opetettava hetki, ja tehtävänä on vangita vastaava kasvokuva ja kehittää sitä afektitilan ulottuvuutta ja aluetta.

(Yllä olevassa videossa näemme tutkijoiden uuteen työhön käyttämien dimensiotunteentunnistustekniikoiden tekijöiden kehittämän työn).

Materiaalin muotogeodeesia laskettiin jokaiselle datakehykselle ja Singular Value Decomposition (SVD) sovellettu alennus. Tuloksena saadut aikasarjatiedot mallinnettiin lopulta a VAR prosessia ja vähennetään sitten edelleen SVD:n kautta ennen MAP-sovitus.

Geodeettisen pelkistysprosessin työnkulku.

Myös EmoNet-verkon valenssi- ja viritysarvot käsiteltiin samalla tavalla VAR-mallinnuksella ja sekvenssiytimen laskennalla.

Kokeilut

Kuten aiemmin selitettiin, uusi teos on ensisijaisesti lääketieteellinen tutkimuspaperi eikä tavallinen tietokonenäköesitys, ja ohjaamme lukijan itse artikkeliin saadaksesi perusteellisen kattavuuden tutkijoiden suorittamista erilaisista OEG-kokeista.

Yhteenvetona niiden valikoimasta kuitenkin:

Affektiiviset häiriömerkit

Tässä 40 osallistujaa (ei kontrolli- tai potilasryhmästä) pyydettiin arvioimaan arvioidut keskimääräiset kasvot (katso edellä) useissa kysymyksissä ilman, että heille kerrottiin tietojen kontekstista. Kysymykset olivat:

Mikä on molempien kasvojen sukupuoli?
Onko kasvoilla houkutteleva ulkonäkö?
Ovatko nämä kasvot luotettavia henkilöitä?
Miten arvioit näiden ihmisten toimintakykyä?
Mitkä ovat kahden kasvon tunteet?
Millainen on näiden kahden kasvojen ihon ulkonäkö?
Millainen vaikutelma katseesta on?
Onko molemmilla kasvoilla roikkuvat suun kulmat?
Onko molemmilla kasvoilla kohonneet silmät ruskeat?
Ovatko nämä henkilöt kliinisiä potilaita?

Tutkijat havaitsivat, että nämä sokeat arviot korreloivat käsiteltyjen tietojen rekisteröidyn tilan kanssa:

"Keskikasvot" -tutkimuksen laatikkokaaviotulokset.

Kliininen arviointi

OEG:n hyödyn arvioimiseksi alustavassa arvioinnissa tutkijat arvioivat ensin, kuinka tehokas standardi kliininen arviointi itsessään on, mittaamalla parannustasoja induktion ja toisen vaiheen välillä (johon mennessä potilas saa tyypillisesti lääkepohjaista hoitoa).

Tutkijat päättelivät, että tila ja oireiden vakavuus voidaan arvioida hyvin tällä menetelmällä, jolloin korrelaatioksi saatiin 0.82. Joko skitsofrenian tai masennuksen tarkka diagnoosi osoittautui kuitenkin haastavammaksi, sillä standardimenetelmällä saavutettiin tässä varhaisessa vaiheessa vain -0.03.

Tekijät kommentoivat:

Pohjimmiltaan potilaan tila voidaan määrittää suhteellisen hyvin tavallisilla kyselylomakkeilla. Tämä on kuitenkin käytännössä kaikki, mitä siitä voidaan päätellä. Ei ole osoitettu, onko joku masentunut vai pikemminkin skitsofreeninen. Sama koskee hoitovastetta.

Koneprosessin tulokset pystyivät saamaan korkeammat pisteet tällä ongelma-alueella ja vertailukelpoisia pisteitä potilaan alustavassa arvioinnissa:

Suuremmat luvut ovat parempia. Vasemmalla standardihaastatteluihin perustuvat arvioinnin tarkkuustulokset testausarkkitehtuurin neljässä vaiheessa; oikealla konepohjaiset tulokset.

Häiriön diagnoosi

Masennuksen erottaminen skitsofreniasta staattisten kasvokuvien avulla ei ole triviaali asia. Ristiinvalidoituna koneprosessi pystyi saamaan korkeat tarkkuuspisteet kokeiden eri vaiheissa:

Muissa kokeissa tutkijat pystyivät osoittamaan todisteita siitä, että OEG voi havaita potilaan paranemisen lääkehoidon ja häiriön yleisen hoidon avulla:

"Syy-seuraus tiedonkeruun empiiriseen aikaisempaan tietämykseen mukautti farmakologista hoitoa, jotta voidaan havaita paluu kasvojen dynamiikan fysiologiseen säätelyyn. Tällaista paluuta ei voitu havaita kliinisen reseptin aikana.

"Tällä hetkellä ei ole selvää, johtaisiko tällainen konepohjainen suositus hoidon merkittävästi parempaan onnistumiseen. Erityisesti siksi, että tiedetään, mitä sivuvaikutuksia lääkkeillä voi olla pitkällä aikavälillä.

"Kuitenkin [tällaiset] potilaalle räätälöidyt lähestymistavat rikkoisivat yleisen kategorisen luokittelukaavion esteet, joita käytetään edelleen hallitsevasti jokapäiväisessä elämässä."

* Muutokseni tekijöiden tekstin sisäisistä lainauksista hyperlinkeiksi.

Julkaistu ensimmäisen kerran 3.