Diagnose van psychische stoornissen door middel van AI-evaluatie van gezichtsuitdrukkingen

Onderzoekers uit Duitsland hebben een methode ontwikkeld voor het identificeren van psychische stoornissen op basis van gezichtsuitdrukkingen die worden geïnterpreteerd door computervisie.

De nieuwe aanpak kan niet alleen onderscheid maken tussen onaangetaste en getroffen personen, maar kan ook correct onderscheid maken tussen depressie en schizofrenie, evenals de mate waarin de patiënt momenteel door de ziekte wordt getroffen.

De onderzoekers hebben een samengesteld beeld geleverd dat de controlegroep vertegenwoordigt voor hun tests (links in de afbeelding hieronder) en de patiënten die lijden aan psychische stoornissen (rechts). De identiteiten van meerdere mensen zijn gemengd in de representaties, en geen van beide afbeeldingen toont een bepaald individu:

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

Personen met affectieve stoornissen hebben vaak opgetrokken wenkbrauwen, loden blikken, gezwollen gezichten en hangende monduitdrukkingen. Om de privacy van de patiënt te beschermen, zijn deze samengestelde beelden de enige die beschikbaar zijn gesteld ter ondersteuning van het nieuwe werk.

Tot nu toe werd gezichtsherkenning voornamelijk gebruikt als een potentieel hulpmiddel voor basisdiagnose. De nieuwe aanpak biedt in plaats daarvan een mogelijke methode om de voortgang van de patiënt tijdens de behandeling te evalueren, of anders (mogelijk, hoewel de paper dit niet suggereert) in hun eigen huiselijke omgeving voor poliklinische monitoring.

In de krant staat*:

'Verder gaan dan machinediagnose van depressie in affective computing, dat is ontwikkeld in vorig studies, laten we zien dat de meetbare affectieve toestand geschat door middel van computervisie veel meer informatie bevat dan de pure categorische classificatie.'

De onderzoekers hebben deze techniek een naam gegeven Opto elektronische encefalografie (OEG), een volledig passieve methode om de mentale toestand af te leiden door analyse van gezichtsbeelden in plaats van plaatselijke sensoren of op stralen gebaseerde medische beeldvormingstechnologieën.

De auteurs concluderen dat OEG mogelijk niet slechts een secundair hulpmiddel bij diagnose en behandeling zou kunnen zijn, maar op de lange termijn een potentiële vervanging voor bepaalde evaluatieve delen van de behandelingspijplijn, en een die de tijd die nodig is voor de patiënt zou kunnen verkorten. monitoring en eerste diagnose. Ze merken op:

'Over het algemeen laten de door de machine voorspelde resultaten betere correlaties zien in vergelijking met de puur op klinische waarnemers gebaseerde vragenlijsten en zijn ze ook objectief. Opvallend is ook de relatief korte meettijd van enkele minuten bij de computer vision-benaderingen, terwijl bij de klinische interviews soms uren nodig zijn.'

De auteurs willen echter graag benadrukken dat patiëntenzorg op dit gebied een multimodaal streven is, waarbij veel andere indicatoren van de toestand van de patiënt in aanmerking moeten worden genomen dan alleen hun gezichtsuitdrukkingen, en dat het te vroeg is om te bedenken dat een dergelijk systeem zou kunnen traditionele benaderingen van psychische stoornissen volledig vervangen. Desalniettemin beschouwen ze OEG als een veelbelovende aanvullende technologie, met name als een methode om de effecten van farmaceutische behandelingen in het door een patiënt voorgeschreven regime te beoordelen.

De papier is getiteld Het gezicht van affectieve stoornissen, en is afkomstig van acht onderzoekers uit een breed scala van instellingen uit de particuliere en openbare medische onderzoekssector.

Data

(Het nieuwe artikel behandelt voornamelijk de verschillende theorieën en methoden die momenteel populair zijn bij de diagnose van psychische stoornissen door patiënten, met minder aandacht dan gebruikelijk voor de daadwerkelijke technologieën en processen die in de tests en verschillende experimenten worden gebruikt)

Het verzamelen van gegevens vond plaats in het Universitair Ziekenhuis in Aken, met 100 patiënten met een evenwichtig geslacht en een controlegroep van 50 niet-getroffen personen. Onder de patiënten bevonden zich 35 patiënten met schizofrenie en 65 mensen met een depressie.

Voor het patiëntengedeelte van de testgroep werden de eerste metingen uitgevoerd op het moment van de eerste ziekenhuisopname en de tweede voorafgaand aan hun ontslag uit het ziekenhuis, met een gemiddeld interval van 12 weken. De deelnemers aan de controlegroep werden willekeurig gerekruteerd uit de lokale bevolking, met hun eigen inductie en 'ontlading' die overeenkwam met die van de daadwerkelijke patiënten.

In feite moet de belangrijkste 'grondwaarheid' voor een dergelijk experiment de diagnose zijn die is verkregen met goedgekeurde en standaardmethoden, en dit was het geval voor de OEG-onderzoeken.

De gegevensverzamelingsfase leverde echter aanvullende gegevens op die geschikter waren voor machinale interpretatie: interviews van gemiddeld 90 minuten werden in drie fasen vastgelegd met een Logitech c270 consumentenwebcam met een snelheid van 25 fps.

De eerste sessie bestaat uit een standaard Hamilton-interview (gebaseerd op onderzoek is ontstaan rond 1960), zoals normaal gesproken bij toelating zou worden gegeven. In de tweede fase werden, ongebruikelijk, de patiënten (en hun tegenhangers in de controlegroep) getoond videos van een reeks gezichtsuitdrukkingen, en gevraagd om elk van deze na te bootsen, terwijl ze hun eigen inschatting van hun mentale toestand op dat moment gaven, inclusief emotionele toestand en intensiteit. Deze fase duurde ongeveer tien minuten.

In de derde en laatste fase kregen de deelnemers 96 video's te zien van acteurs, die elk iets meer dan tien seconden duurden, en blijkbaar intense emotionele ervaringen vertellen. De deelnemers werd vervolgens gevraagd om de emotie en intensiteit die in de video's wordt weergegeven, te evalueren, evenals hun eigen overeenkomstige gevoelens. Deze fase duurde ongeveer 15 minuten.

Methode

Om tot het gemiddelde gemiddelde van de vastgelegde gezichten te komen (zie eerste afbeelding hierboven), werden emotionele oriëntatiepunten vastgelegd met de EmoNet kader. Vervolgens werd de overeenstemming tussen de gezichtsvorm en de gemiddelde (gemiddelde) gezichtsvorm bepaald stuksgewijs affiene transformatie.

Dimensionale emotieherkenning en oog blik voorspelling werd uitgevoerd op elk oriëntatiepuntsegment dat in de vorige fase werd geïdentificeerd.

Op dit punt heeft op audio gebaseerde emotie-inferentie aangegeven dat er een leerzaam moment is aangebroken in de mentale toestand van de patiënt, en de taak is om het bijbehorende gezichtsbeeld vast te leggen en die dimensie en het domein van hun gemoedstoestand te ontwikkelen.

(In de video hierboven zien we het werk dat is ontwikkeld door de auteurs van de dimensionale emotieherkenningstechnologieën die door de onderzoekers worden gebruikt voor het nieuwe werk).

De geodetische vorm van het materiaal werd berekend voor elk frame van de gegevens, en Singular Value Decomposition (SVD) korting toegepast. De resulterende tijdreeksgegevens werden uiteindelijk gemodelleerd als een VAR proces, en vervolgens verder gereduceerd via SVD voorafgaand aan MAP aanpassing.

Workflow voor het geodetische reductieproces.

De valentie- en opwindingswaarden in het EmoNet-netwerk werden ook op dezelfde manier verwerkt met VAR-modellering en sequentiekernelberekening.

Experimenten

Zoals eerder uitgelegd, is het nieuwe werk in de eerste plaats een medisch onderzoeksdocument in plaats van een standaard ingediende computervisie, en we verwijzen de lezer naar het artikel zelf voor een diepgaande verslaggeving van de diverse OEG-experimenten die door de onderzoekers worden uitgevoerd.

Niettemin, om een ​​selectie ervan samen te vatten:

Aanwijzingen voor affectieve stoornissen

Hier werd aan 40 deelnemers (niet uit de controle- of patiëntengroep) gevraagd om de geëvalueerde gemiddelde gezichten (zie hierboven) te beoordelen op een aantal vragen, zonder op de hoogte te zijn van de context van de gegevens. De vragen waren:

Wat is het geslacht van de twee gezichten?
Zien de gezichten er aantrekkelijk uit?
Zijn deze gezichten betrouwbare personen?
Hoe beoordeelt u het vermogen van deze mensen om te handelen?
Wat is de emotie van de twee gezichten?
Wat is het uiterlijk van de huid van de twee gezichten?
Wat is de indruk van de blik?
Hebben de twee gezichten hangende mondhoeken?
Hebben de twee gezichten verheven oogbruin?
Zijn deze personen klinische patiënten?

De onderzoekers ontdekten dat deze blinde evaluaties correleerden met de geregistreerde staat van de verwerkte gegevens:

Boxplotresultaten voor de 'mean face'-enquête.

Klinische beoordeling

Om het nut van OEG bij de eerste beoordeling te meten, evalueerden de onderzoekers eerst hoe effectief de standaard klinische beoordeling op zichzelf is, waarbij ze de verbeteringsniveaus tussen de inductie en de tweede fase (tegen welke tijd de patiënt doorgaans op medicijnen gebaseerde behandelingen krijgt) meten.

De onderzoekers concludeerden dat status en ernst van de symptomen goed konden worden beoordeeld met deze methode, waarbij een correlatie van 0.82 werd bereikt. Een nauwkeurige diagnose van schizofrenie of depressie bleek echter een grotere uitdaging, waarbij de standaardmethode in dit vroege stadium slechts een score van -0.03 behaalde.

De auteurs geven commentaar:

'In wezen is de status van de patiënt met de gebruikelijke vragenlijsten relatief goed vast te stellen. Dat is echter in wezen alles wat daaruit kan worden geconcludeerd. Of iemand depressief of eerder schizofreen is, wordt niet aangegeven. Hetzelfde geldt voor de behandelrespons.'

De resultaten van het machinale proces waren in staat hogere scores te behalen op dit probleemgebied en vergelijkbare scores voor het initiële patiëntevaluatieaspect:

Hogere cijfers zijn beter. Aan de linkerkant, resultaten van standaard op interviews gebaseerde evaluatienauwkeurigheid in vier fasen van de testarchitectuur; aan de rechterkant, machinegebaseerde resultaten.

Stoornis Diagnose

Het onderscheiden van depressie van schizofrenie via statische gezichtsbeelden is geen triviale zaak. Door kruisvalidatie kon het machineproces hoge nauwkeurigheidsscores behalen in de verschillende fasen van de proeven:

In andere experimenten konden de onderzoekers bewijs aantonen dat OEG verbetering van de patiënt kan waarnemen door middel van farmacologische behandeling en algemene behandeling van de aandoening:

'De causale gevolgtrekking over de empirische voorkennis van de gegevensverzameling heeft de farmacologische behandeling aangepast om een ​​terugkeer naar de fysiologische regulatie van de gezichtsdynamiek waar te nemen. Een dergelijke terugkeer kon tijdens het klinisch voorschrift niet worden waargenomen.

'Op dit moment is het niet duidelijk of zo'n machinale aanbeveling inderdaad zou leiden tot een significant beter therapiesucces. Vooral omdat bekend is welke bijwerkingen medicijnen over een lange periode kunnen hebben.

'[Dit soort] benaderingen op maat van de patiënt zouden echter de barrières doorbreken van het gemeenschappelijke categorische classificatieschema dat nog steeds dominant wordt gebruikt in het dagelijks leven.'

* Mijn conversie van de inline citaten van de auteurs naar hyperlinks.

Voor het eerst gepubliceerd op 3 augustus 2022.