Mentális egészségi rendellenességek diagnosztizálása mesterséges intelligencia arckifejezésének értékelésével

Német kutatók kifejlesztettek egy módszert a mentális zavarok azonosítására a számítógépes látás által értelmezett arckifejezések alapján.

Az új megközelítés nemcsak a nem érintett és az érintett alanyok között tud különbséget tenni, hanem helyesen megkülönbözteti a depressziót a skizofréniától, valamint azt is, hogy a beteget milyen mértékben érinti a betegség.

A kutatók egy összetett képet mutattak be, amely a tesztjeik kontrollcsoportját (az alábbi képen bal oldalon) és a mentális zavarokkal küzdő betegeket (jobbra) ábrázolja. Több ember identitása keveredik az ábrázolásokban, és egyik kép sem ábrázol egy adott személyt:

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

Az érzelmi zavarokkal küzdő egyének hajlamosak felvont szemöldökkel, ólmos tekintetekkel, duzzadt arcokkal és akasztós szájkifejezéssel. A betegek magánéletének védelme érdekében csak ezek az összetett képek állnak rendelkezésre az új munka támogatására.

Eddig az archatás-felismerést elsősorban az alapvető diagnózis lehetséges eszközeként használták. Az új megközelítés ehelyett egy lehetséges módszert kínál a betegek előrehaladásának értékelésére a kezelés során, vagy (esetleg, bár a cikk nem javasolja) saját otthoni környezetében ambuláns monitorozás céljából.

A papír azt írja*:

„Túllép a depresszió gépi diagnózisán az affektív számítástechnikában, amelyet ben fejlesztettek ki előző tanulmányok, megmutatjuk, hogy a számítógépes látással becsült mérhető érzelmi állapot sokkal több információt tartalmaz, mint a tisztán kategorikus besorolás.'

A kutatók ezt a technikát elnevezték Opto Electronic Encephalography (OEG), egy teljesen passzív módszer a mentális állapot megállapítására arcképelemzéssel a helyi szenzorok vagy sugáralapú orvosi képalkotó technológiák helyett.

A szerzők arra a következtetésre jutottak, hogy az OEG potenciálisan nem csupán másodlagos segítség lehet a diagnózisban és a kezelésben, hanem hosszú távon potenciálisan helyettesítheti a kezelési folyamat egyes értékelő részeit, és csökkentheti a beteg számára szükséges időt. monitorozás és kezdeti diagnózis. Megjegyzik:

„Összességében a gép által előre jelzett eredmények jobb korrelációt mutatnak a tisztán klinikai megfigyelői értékelésen alapuló kérdőívekhez képest, és objektívek is. Figyelemre méltó a viszonylag rövid, néhány perces mérési idő is a számítógépes látásmódok esetében, míg a klinikai interjúkhoz néha órákra van szükség.

A szerzők azonban szeretnének hangsúlyozni, hogy ezen a területen a betegellátás multimodális tevékenység, és a beteg állapotának számos egyéb mutatóját is figyelembe kell venni, nem csupán az arckifejezésüket, és túl korai lenne azt gondolni, hogy egy ilyen rendszer teljesen felváltja a mentális zavarok hagyományos megközelítéseit. Mindazonáltal az OEG-t ígéretes kiegészítő technológiának tartják, különösen a gyógyszeres kezelés hatásainak osztályozására szolgáló módszerként a beteg által előírt kezelési rend szerint.

A papír címet viseli Az affektív zavarok arca, és nyolc kutatótól származik a magán- és állami orvosi kutatási szektor számos intézményéből.

dátum

(Az új cikk leginkább a mentális zavarok betegdiagnosztikájában jelenleg népszerű elméletekkel és módszerekkel foglalkozik, a szokásosnál kevesebb figyelmet fordítva a tesztek és kísérletek során alkalmazott tényleges technológiákra és eljárásokra)

Az adatgyűjtésre az Aacheni Egyetemi Kórházban került sor, ahol 100 nemileg kiegyensúlyozott beteg és egy 50 nem érintett személyből álló kontrollcsoport vett részt. A betegek között 35 skizofréniás és 65 depressziós beteg volt.

A tesztcsoport betegrészénél a kezdeti méréseket az első kórházi kezeléskor, a másodikat pedig a kórházból való elbocsátásuk előtt végezték el, átlagosan 12 hetes intervallumot felölelve. A kontrollcsoport résztvevőit önkényesen toborozták a helyi lakosságból, saját indukciójuk és „elbocsátásuk” a tényleges betegekét tükrözve.

Valójában egy ilyen kísérletnél a legfontosabb „alap igazságnak” a jóváhagyott és szabványos módszerekkel kapott diagnózisoknak kell lenniük, és ez volt a helyzet az OEG-próbák esetében is.

Az adatgyűjtési szakasz azonban további, gépi értelmezésre alkalmasabb adatokat kapott: az átlagosan 90 perces interjúkat három fázisban rögzítették egy Logitech c270 fogyasztói webkamerával, amely 25 képkocka/mp sebességgel fut.

Az első munkamenet egy szabványból állt Hamilton interjú (kutatás alapján származik 1960 körül), mint amilyet általában a felvételikor adnak. A második fázisban szokatlan módon a betegeket (és a kontrollcsoportban lévő társaikat) mutatták be videók arckifejezések sorozatát, és megkérték, hogy ezek mindegyikét utánozzák, miközben elmondják saját becslésüket az akkori mentális állapotukról, beleértve az érzelmi állapotot és az intenzitást. Ez a fázis körülbelül tíz percig tartott.

A harmadik, egyben utolsó fázisban a résztvevőknek 96 videót mutattak be színészekről, egyenként alig több mint tíz másodpercig, és láthatóan intenzív érzelmi élményekről számoltak be. A résztvevőket ezután arra kérték, hogy értékeljék a videókban megjelenített érzelmeket és intenzitást, valamint saját érzéseiket. Ez a fázis körülbelül 15 percig tartott.

Módszer

A rögzített arcok átlagos átlagának eléréséhez (lásd az első képet fent), érzelmi tereptárgyakat rögzítettünk a EmoNet keretrendszer. Ezt követően meghatároztuk az arcforma és az átlagos (átlagolt) arcforma közötti megfelelést darabonkénti affin transzformáció.

Dimenziós érzelemfelismerés és a szempillantás előrejelzése minden, az előző szakaszban azonosított mérföldkő szegmensen elvégezték.

Ezen a ponton a hangalapú érzelemkövetkeztetés azt jelezte, hogy a páciens mentális állapotában elérkezett a tanítható pillanat, és a feladat a megfelelő arckép rögzítése és affektus állapotának ezen dimenziójának és tartományának kialakítása.

(A fenti videóban a kutatók által az új munkához használt dimenziós érzelemfelismerő technológiák szerzői által kidolgozott munkát láthatjuk).

Az anyag alakgeodéziáját az adatok minden egyes képkockájára kiszámítottuk, és a Singular Value Dekompozíciót (SVD) csökkentést alkalmaztak. Az így kapott idősor-adatokat végül úgy modellezték, mint a VAR folyamatot, majd SVD-n keresztül tovább csökkentjük MAP adaptáció.

Munkafolyamat a geodéziai redukciós folyamathoz.

Az EmoNet hálózat vegyérték- és arousal-értékeit szintén hasonlóan dolgoztuk fel VAR-modellezéssel és szekvencia-kernel-számítással.

kísérletek

Amint azt korábban kifejtettük, az új munka elsősorban orvosi kutatási cikk, nem pedig szabványos számítógépes látási beadvány, és a kutatók által végzett sokrétű OEG-kísérletek alapos áttekintése érdekében magához a cikkhez ajánljuk az olvasót.

Mindazonáltal, hogy összefoglaljuk a válogatást közülük:

Az affektív zavar jelei

Itt 40 résztvevőt (nem a kontroll- vagy betegcsoportból) kértek meg, hogy értékeljék az értékelt átlagos arcokat (lásd fent) számos kérdés tekintetében, anélkül, hogy tájékoztatták volna őket az adatok kontextusáról. A kérdések a következők voltak:

Mi a két arc neme?
Az arcok vonzó megjelenésűek?
Ezek az arcok megbízható személyek?
Hogyan értékeli ezeknek az embereknek a cselekvőképességét?
Mi a két arc érzelme?
Milyen a két arc bőrének megjelenése?
Milyen benyomást kelt a tekintet?
Van a két arcnak lógó szájsarka?
A két arc felemelt szeme barna?
Ezek a személyek klinikai betegek?

A kutatók azt találták, hogy ezek a vak értékelések korrelálnak a feldolgozott adatok regisztrált állapotával:

Box plot eredmények az „átlagos arc” felméréshez.

Klinikai értékelés

Az OEG kezdeti értékelésben való hasznosságának felmérése érdekében a kutatók először azt értékelték, hogy a standard klinikai értékelés önmagában mennyire hatékony, mérve a javulás szintjét az indukció és a második fázis között (amire a beteg jellemzően gyógyszeralapú kezelést kap.

A kutatók arra a következtetésre jutottak, hogy az állapot és a tünetek súlyossága jól felmérhető ezzel a módszerrel, 0.82-es korrelációt érve el. A skizofrénia vagy a depresszió pontos diagnózisa azonban nagyobb kihívást jelent, mivel a standard módszer csak -0.03-as pontszámot ért el ebben a korai szakaszban.

A szerzők megjegyzései:

„Lényegében a szokásos kérdőívekkel viszonylag jól meghatározható a páciens állapota. Ebből azonban lényegében ennyire lehet következtetni. Az, hogy valaki depressziós vagy inkább skizofrén, nincs feltüntetve. Ugyanez vonatkozik a kezelésre adott válaszra is.

A gépi folyamat eredményei magasabb pontszámot tudtak elérni ezen a problématerületen, és összehasonlítható pontszámokat a kezdeti betegértékelési szempont tekintetében:

A magasabb számok jobbak. A bal oldalon a standard interjúalapú értékelési pontossági eredmények a tesztelési architektúra négy fázisában; jobb oldalon, gépi alapú eredmények.

Zavar diagnosztika

A depresszió és a skizofrénia megkülönböztetése statikus arcképekkel nem triviális dolog. Keresztellenőrzéssel a gépi eljárás nagy pontosságú pontszámokat tudott elérni a kísérletek különböző fázisaiban:

Más kísérletekben a kutatók bizonyítékot tudtak bizonyítani arra, hogy az OEG képes észlelni a betegek javulását a gyógyszeres kezelés és a rendellenesség általános kezelése révén:

„Az adatgyűjtés empirikus előzetes ismeretére vonatkozó ok-okozati következtetés úgy igazította a gyógyszeres kezelést, hogy megfigyelhető legyen az arcdinamika fiziológiai szabályozásához való visszatérés. Ilyen visszatérés nem volt megfigyelhető a klinikai felírás során.

„Jelenleg nem világos, hogy egy ilyen gépi alapú ajánlás valóban a terápia lényegesen jobb sikerét eredményezné-e. Különösen azért, mert ismert, hogy a gyógyszereknek hosszú időn át milyen mellékhatásai lehetnek.

"A betegekre szabott [az ilyen típusú] megközelítések azonban áttörnék a mindennapi életben még mindig dominánsan használt általános kategorikus osztályozási séma akadályait."

* A szerzők soron belüli hivatkozásait hiperhivatkozásokká konvertáltam.

Első megjelenés: 3. augusztus 2022.