ფსიქიკური ჯანმრთელობის დარღვევების დიაგნოსტიკა AI სახის გამოხატვის შეფასების საშუალებით

გერმანიის მკვლევარებმა შეიმუშავეს ფსიქიკური აშლილობის იდენტიფიცირების მეთოდი კომპიუტერული ხედვით ინტერპრეტირებული სახის გამომეტყველების საფუძველზე.

ახალ მიდგომას შეუძლია არა მხოლოდ განასხვავოს ზემოქმედების ქვეშ მყოფი და დაზარალებული სუბიექტები, არამედ სწორად განასხვავოს დეპრესია შიზოფრენიისგან, ისევე როგორც ის, თუ რამდენად არის დაავადებული პაციენტი ამჟამად ამ დაავადებით.

მკვლევარებმა წარმოადგინეს კომპოზიტური სურათი, რომელიც წარმოადგენს საკონტროლო ჯგუფს მათი ტესტებისთვის (მარცხნივ, ქვემოთ მოცემულ სურათზე) და პაციენტებს, რომლებსაც აწუხებთ ფსიქიკური აშლილობა (მარჯვნივ). მრავალი ადამიანის იდენტობა შერეულია წარმოდგენებში და არც ერთი სურათი არ ასახავს კონკრეტულ ინდივიდს:

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

ემოციური აშლილობის მქონე პირებს, როგორც წესი, აქვთ აწეული წარბები, ტყვიისფერი მზერა, შეშუპებული სახეები და ძაღლის ჩამოკიდებული პირის გამომეტყველება. პაციენტის კონფიდენციალურობის დასაცავად, ეს კომპოზიციური სურათები ერთადერთია, რომელიც ხელმისაწვდომია ახალი ნამუშევრის მხარდასაჭერად.

აქამდე სახის აფექტის ამოცნობა ძირითადად გამოიყენებოდა, როგორც ძირითადი დიაგნოსტიკის პოტენციური ინსტრუმენტი. ამის ნაცვლად, ახალი მიდგომა გვთავაზობს შესაძლო მეთოდს პაციენტის პროგრესის შესაფასებლად მკურნალობის მთელი პერიოდის განმავლობაში, ან სხვაგვარად (პოტენციურად, თუმცა ნაშრომი ამას არ გვთავაზობს) საკუთარ საშინაო გარემოში ამბულატორიული მონიტორინგისთვის.

ნაშრომში ნათქვამია *:

„დეპრესიის მანქანური დიაგნოსტიკის მიღმა აფექტურ გამოთვლებში, რომელიც შემუშავებულია წინა სწავლა, ჩვენ ვაჩვენებთ, რომ კომპიუტერული ხედვის საშუალებით შეფასებული გაზომვადი აფექტური მდგომარეობა გაცილებით მეტ ინფორმაციას შეიცავს, ვიდრე წმინდა კატეგორიული კლასიფიკაცია.'

მკვლევარებმა ეს ტექნიკა დაასახელეს ოპტო ელექტრონული ენცეფალოგრაფია (OEG), ფსიქიკური მდგომარეობის დასკვნების სრულიად პასიური მეთოდი სახის გამოსახულების ანალიზით, ადგილობრივი სენსორების ან სხივებზე დაფუძნებული სამედიცინო ვიზუალიზაციის ტექნოლოგიების ნაცვლად.

ავტორები ასკვნიან, რომ OEG პოტენციურად შეიძლება იყოს არა მხოლოდ მეორადი დამხმარე დიაგნოსტიკისა და მკურნალობისთვის, არამედ, გრძელვადიან პერსპექტივაში, პოტენციური ჩანაცვლება მკურნალობის მილსადენის გარკვეული შემფასებელი ნაწილებისთვის და ის, რაც შეიძლება შეამციროს პაციენტისთვის საჭირო დრო. მონიტორინგი და პირველადი დიაგნოზი. ისინი აღნიშნავენ:

”საერთო ჯამში, აპარატის მიერ პროგნოზირებული შედეგები აჩვენებს უკეთეს კორელაციას კლინიკურ დამკვირვებელთა რეიტინგზე დაფუძნებულ კითხვარებთან შედარებით და ასევე ობიექტურია. ასევე აღსანიშნავია კომპიუტერული ხედვის მიდგომების შედარებით მოკლე გაზომვის პერიოდი, რამდენიმე წუთი, ხოლო კლინიკური ინტერვიუებისთვის ზოგჯერ საჭიროა საათები.'

თუმცა, ავტორებს სურთ ხაზგასმით აღვნიშნოთ, რომ პაციენტის მოვლა ამ სფეროში არის მრავალმოდალური მისწრაფება, სადაც გასათვალისწინებელია პაციენტის მდგომარეობის მრავალი სხვა ინდიკატორი, ვიდრე მხოლოდ მათი სახის გამომეტყველება, და რომ ნაადრევია იმის გათვალისწინება, რომ ასეთი სისტემა შეიძლება იყოს მთლიანად ჩაანაცვლოს ტრადიციული მიდგომები ფსიქიკური აშლილობების მიმართ. მიუხედავად ამისა, ისინი თვლიან OEG-ს პერსპექტიულ დამხმარე ტექნოლოგიად, განსაკუთრებით, როგორც ფარმაცევტული მკურნალობის ეფექტის შეფასება პაციენტის მიერ დანიშნულ რეჟიმში.

ის ქაღალდი სახელდება აფექტური აშლილობის სახედა მოდის რვა მკვლევარისგან კერძო და სახელმწიფო სამედიცინო კვლევის სექტორის ინსტიტუტების ფართო სპექტრში.

თარიღი

(ახალი ნაშრომი ძირითადად ეხება სხვადასხვა თეორიებსა და მეთოდებს, რომლებიც ამჟამად პოპულარულია პაციენტების ფსიქიკური აშლილობების დიაგნოსტიკაში, ნაკლები ყურადღების მიქცევით, ვიდრე ჩვეულებრივია ტესტებსა და სხვადასხვა ექსპერიმენტებში გამოყენებული ფაქტობრივი ტექნოლოგიებისა და პროცესების მიმართ)

მონაცემთა შეგროვება ჩატარდა აჰენის საუნივერსიტეტო ჰოსპიტალში, გენდერულად დაბალანსებული 100 პაციენტით და საკონტროლო ჯგუფით 50 არაინფიცირებული ადამიანისგან. პაციენტებში შედიოდა შიზოფრენიით დაავადებული 35 და დეპრესიით დაავადებული 65 ადამიანი.

სატესტო ჯგუფის პაციენტების ნაწილისთვის, საწყისი გაზომვები გაკეთდა პირველი ჰოსპიტალიზაციის დროს, ხოლო მეორე საავადმყოფოდან გაწერამდე, საშუალოდ 12 კვირის ინტერვალით. საკონტროლო ჯგუფის მონაწილეები თვითნებურად იქნა დაკომპლექტებული ადგილობრივი მოსახლეობისგან, მათი ინდუქციისა და „გამონაწერის“ ასახვით რეალური პაციენტების მიმართ.

ფაქტობრივად, ყველაზე მნიშვნელოვანი „ძირითადი სიმართლე“ ასეთი ექსპერიმენტისთვის უნდა იყოს დიაგნოზი, მიღებული დამტკიცებული და სტანდარტული მეთოდებით, და ეს ასე იყო OEG ცდებში.

თუმცა, მონაცემთა შეგროვების ეტაპმა მიიღო დამატებითი მონაცემები, რომლებიც უფრო შესაფერისია მანქანური ინტერპრეტაციისთვის: ინტერვიუები საშუალოდ 90 წუთის განმავლობაში იყო გადაღებული სამ ფაზაში Logitech c270 სამომხმარებლო ვებკამერით, რომელიც მუშაობს 25fps სიჩქარით.

პირველი სესია შედგებოდა სტანდარტით ჰამილტონის ინტერვიუ (კვლევის საფუძველზე წარმოშობილი დაახლოებით 1960 წელს), ისეთი, როგორიც ჩვეულებრივ მიიღება მიღებისას. მეორე ფაზაში, უჩვეულოდ, ნაჩვენები იყო პაციენტები (და მათი კოლეგები საკონტროლო ჯგუფში). ვიდეოები სახის გამონათქვამების სერიას და სთხოვეს მიბაძონ თითოეულ მათგანს, აჩვენეს თავიანთი შეფასება იმ დროს მათი ფსიქიკური მდგომარეობის შესახებ, ემოციური მდგომარეობისა და ინტენსივობის ჩათვლით. ეს ეტაპი დაახლოებით ათი წუთი გაგრძელდა.

მესამე და ბოლო ფაზაში მონაწილეებს აჩვენეს მსახიობების 96 ვიდეო, თითო ათ წამზე ცოტა ხანს გაგრძელდა და, როგორც ჩანს, ინტენსიურ ემოციურ გამოცდილებას ყვებოდა. შემდეგ მონაწილეებს სთხოვეს შეეფასებინათ ვიდეოში წარმოდგენილი ემოცია და ინტენსივობა, ისევე როგორც მათი შესაბამისი გრძნობები. ეს ეტაპი დაახლოებით 15 წუთი გაგრძელდა.

მეთოდი

გადაღებული სახეების საშუალო საშუალოზე მისასვლელად (იხ. პირველი სურათი, ზემოთ), ემოციური ღირშესანიშნაობები იქნა აღბეჭდილი ემონეტი ჩარჩო. შემდგომში განისაზღვრა კორესპონდენცია სახის ფორმასა და სახის საშუალო (საშუალო) ფორმას შორის ცალმხრივი აფინური ტრანსფორმაცია.

განზომილებიანი ემოციის ამოცნობა მდე თვალის მზერის წინასწარმეტყველება განხორციელდა წინა ეტაპზე გამოვლენილ თითოეულ საეტაპო სეგმენტზე.

ამ ეტაპზე, აუდიოზე დაფუძნებული ემოციების დასკვნა მიუთითებს, რომ პაციენტის ფსიქიკურ მდგომარეობაში დადგა სასწავლი მომენტი და ამოცანაა სახის შესაბამისი გამოსახულების აღება და მათი აფექტური მდგომარეობის ამ განზომილების და დომენის განვითარება.

(ზემოთ მოცემულ ვიდეოში ჩვენ ვხედავთ ნაშრომს, რომელიც შემუშავებულია განზომილებიანი ემოციების ამოცნობის ტექნოლოგიების ავტორების მიერ, რომლებიც მკვლევარების მიერ ახალი ნამუშევრისთვის გამოიყენეს).

მასალის ფორმის გეოდეზიური გამოთვლილი იყო მონაცემთა თითოეული ჩარჩოსთვის და სინგულარული მნიშვნელობის დაშლა (SVD) გამოიყენება შემცირება. შედეგად მიღებული დროის სერიების მონაცემები საბოლოოდ მოდელირებული იქნა როგორც a VAR პროცესი, და შემდეგ შემდგომი შემცირება SVD-ის საშუალებით მანამდე MAP-ის ადაპტაცია.

სამუშაო პროცესი გეოდეზიური შემცირების პროცესისთვის.

ვალენტობის და აღგზნების მნიშვნელობები EmoNet ქსელში ასევე დამუშავდა VAR მოდელირებით და თანმიმდევრული ბირთვის გამოთვლებით.

ექსპერიმენტები

როგორც ადრე ავუხსენით, ახალი ნამუშევარი, პირველ რიგში, არის სამედიცინო კვლევის ნაშრომი და არა სტანდარტული კომპიუტერული ხედვის წარდგენა, და ჩვენ მკითხველს მივმართავთ თავად ნაშრომს მკვლევარების მიერ ჩატარებული OEG ექსპერიმენტების სიღრმისეულად გასაშუქებლად.

მიუხედავად ამისა, შევაჯამოთ მათი არჩევანი:

აფექტური აშლილობის ნიშნები

აქ 40 მონაწილეს (არა საკონტროლო ან პაციენტთა ჯგუფიდან) სთხოვეს შეაფასონ შეფასებული საშუალო სახეები (იხ. ზემოთ) რიგ კითხვებთან მიმართებაში, მონაცემთა კონტექსტის შესახებ ინფორმირების გარეშე. კითხვები იყო:

რა არის ორი სახის სქესი?
აქვს თუ არა სახეებს მიმზიდველი გარეგნობა?
სანდო პირები არიან ეს სახეები?
როგორ აფასებთ ამ ადამიანების მოქმედების უნარს?
რა არის ორი სახის ემოცია?
როგორია კანის გარეგნობა ორი სახის?
როგორია მზერის შთაბეჭდილება?
აქვს თუ არა ორ სახეს პირის კუთხეები?
ორ სახეს თვალების ყავისფერი აქვს?
არიან ეს ადამიანები კლინიკური პაციენტები?

მკვლევარებმა დაადგინეს, რომ ეს ბრმა შეფასებები დაკავშირებულია დამუშავებული მონაცემების რეგისტრირებულ მდგომარეობასთან:

ყუთის შედგენის შედეგები „საშუალო სახის“ კვლევისთვის.

კლინიკური შეფასება

საწყის შეფასებაში OEG-ის სარგებლობის შესაფასებლად, მკვლევარებმა ჯერ შეაფასეს, რამდენად ეფექტურია სტანდარტული კლინიკური შეფასება თავისთავად, გაზომეს გაუმჯობესების დონეები ინდუქციასა და მეორე ფაზას შორის (როდესაც პაციენტი ჩვეულებრივ იღებს წამლებზე დაფუძნებულ მკურნალობას.

მკვლევარებმა დაასკვნეს, რომ სტატუსი და სიმპტომების სიმძიმე შეიძლება კარგად შეფასდეს ამ მეთოდით და მიაღწიოს კორელაციას 0.82. თუმცა, შიზოფრენიის ან დეპრესიის ზუსტი დიაგნოზი უფრო რთული აღმოჩნდა, სტანდარტული მეთოდით ამ ადრეულ ეტაპზე მხოლოდ -0.03 ქულას იღებდა.

ავტორები კომენტარს აკეთებენ:

„არსებითად, პაციენტის სტატუსი შეიძლება შედარებით კარგად განისაზღვროს ჩვეულებრივი კითხვარების გამოყენებით. თუმცა, ეს არის არსებითად ყველაფერი, რისი დასკვნაც შეიძლება მისგან. არის თუ არა ვინმე დეპრესიული ან უფრო სწორად შიზოფრენიული არ არის მითითებული. იგივე ეხება მკურნალობის პასუხს.'

მანქანური პროცესის შედეგებმა შეძლო უფრო მაღალი ქულების მიღება ამ პრობლემურ სფეროში და შედარებითი ქულები პაციენტის საწყისი შეფასების ასპექტისთვის:

უფრო მაღალი რიცხვები უკეთესია. მარცხნივ, სტანდარტული ინტერვიუზე დაფუძნებული შეფასების შედეგები ტესტირების არქიტექტურის ოთხ ფაზაში; მარჯვნივ, მანქანაზე დაფუძნებული შედეგები.

დარღვევების დიაგნოზი

დეპრესიის გარჩევა შიზოფრენიისგან სტატიკური სახის გამოსახულების საშუალებით არ არის ტრივიალური საკითხი. ჯვარედინი დადასტურებით, მანქანურმა პროცესმა შეძლო მაღალი სიზუსტის ქულების მიღება ცდების სხვადასხვა ფაზაში:

სხვა ექსპერიმენტებში მკვლევარებმა შეძლეს აჩვენონ მტკიცებულება, რომ OEG-ს შეუძლია აღიქვას პაციენტის გაუმჯობესება ფარმაკოლოგიური მკურნალობისა და არეულობის ზოგადი მკურნალობის გზით:

მიზეზობრივი დასკვნა მონაცემთა შეგროვების ემპირიული წინასწარი ცოდნის საფუძველზე შეცვალა ფარმაკოლოგიური მკურნალობა სახის დინამიკის ფიზიოლოგიურ რეგულირებაში დაბრუნებაზე დასაკვირვებლად. ასეთი დაბრუნება არ შეინიშნებოდა კლინიკური რეცეპტის დროს.

„ამჟამად გაურკვეველია, ნამდვილად მოჰყვება თუ არა ასეთი მანქანაზე დაფუძნებული რეკომენდაცია თერაპიის მნიშვნელოვან წარმატებას. განსაკუთრებით იმიტომ, რომ ცნობილია, რა გვერდითი ეფექტები შეიძლება ჰქონდეს წამლებს დიდი ხნის განმავლობაში.

თუმცა, [ამ სახის] პაციენტზე მორგებული მიდგომები დაარღვევს საერთო კატეგორიული კლასიფიკაციის სქემის ბარიერებს, რომლებიც ჯერ კიდევ დომინანტურად გამოიყენება ყოველდღიურ ცხოვრებაში.

* ავტორის შიდა ციტატების ჩემი გადაყვანა ჰიპერბმულებად.

პირველად გამოქვეყნდა 3 წლის 2022 აგვისტოს.