Diagnostisering av psykiske lidelser gjennom AI-ansiktsuttrykksevaluering

Forskere fra Tyskland har utviklet en metode for å identifisere psykiske lidelser basert på ansiktsuttrykk tolket av datasyn.

Den nye tilnærmingen kan ikke bare skille mellom upåvirkede og berørte forsøkspersoner, men kan også korrekt skille depresjon fra schizofreni, samt i hvilken grad pasienten for øyeblikket er påvirket av sykdommen.

Forskerne har gitt et sammensatt bilde som representerer kontrollgruppen for testene deres (til venstre i bildet nedenfor) og pasientene som lider av psykiske lidelser (til høyre). Identiteten til flere personer er blandet i representasjonene, og ingen av bildene viser et bestemt individ:

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

Personer med affektive lidelser har en tendens til å ha hevede øyenbryn, blytunge blikk, hovne ansikter og munnuttrykk fra hengehunder. For å beskytte pasientens personvern er disse sammensatte bildene de eneste som er gjort tilgjengelige til støtte for det nye verket.

Frem til nå har ansiktspåvirkningsgjenkjenning først og fremst blitt brukt som et potensielt verktøy for grunnleggende diagnose. Den nye tilnærmingen tilbyr i stedet en mulig metode for å evaluere pasientfremgang gjennom hele behandlingen, ellers (potensielt, selv om papiret ikke antyder det) i deres eget hjemlige miljø for poliklinisk overvåking.

Avisen sier*:

"Går utover maskindiagnose av depresjon i affektiv databehandling, som er utviklet i forrige studier, viser vi at den målbare affektive tilstanden estimert ved hjelp av datasyn inneholder langt mer informasjon enn den rene kategoriske klassifiseringen.'

Forskerne har kalt denne teknikken Opto elektronisk encefalografi (OEG), en fullstendig passiv metode for å utlede mental tilstand ved ansiktsbildeanalyse i stedet for aktuelle sensorer eller strålebaserte medisinske bildeteknologier.

Forfatterne konkluderer med at OEG potensielt ikke bare kan være bare en sekundær hjelp til diagnose og behandling, men på lang sikt en potensiell erstatning for visse evaluerende deler av behandlingsrørledningen, og en som kan kutte ned på tiden nødvendig for pasienten. overvåking og innledende diagnose. De bemerker:

'Samlet sett viser resultatene spådd av maskinen bedre korrelasjoner sammenlignet med de rene kliniske observatørvurderingsbaserte spørreskjemaene og er også objektive. Den relativt korte måleperioden på noen få minutter for datasyntilnærmingene er også bemerkelsesverdig, mens det noen ganger kreves timer for de kliniske intervjuene.'

Forfatterne er imidlertid opptatt av å understreke at pasientbehandling på dette feltet er et multimodalt arbeid, med mange andre indikatorer på pasienttilstand som skal vurderes enn bare ansiktsuttrykkene deres, og at det er for tidlig å vurdere at et slikt system kan helt erstatte tradisjonelle tilnærminger til psykiske lidelser. Ikke desto mindre anser de OEG som en lovende tilleggsteknologi, spesielt som en metode for å gradere effekten av farmasøytisk behandling i henhold til en pasients foreskrevne regime.

De papir har tittelen Ansiktet til affektive lidelser, og kommer fra åtte forskere på tvers av et bredt spekter av institusjoner fra den private og offentlige medisinske forskningssektoren.

Data

(Det nye papiret omhandler hovedsakelig de ulike teoriene og metodene som for tiden er populære i pasientdiagnostikk av psykiske lidelser, med mindre oppmerksomhet enn vanlig til de faktiske teknologiene og prosessene som brukes i testene og ulike eksperimenter)

Datainnsamlingen fant sted ved Universitetssykehuset i Aachen, med 100 kjønnsbalanserte pasienter og en kontrollgruppe på 50 ikke-berørte personer. Pasientene inkluderte 35 personer med schizofreni og 65 personer som led av depresjon.

For pasientdelen av testgruppen ble innledende målinger tatt på tidspunktet for første sykehusinnleggelse, og den andre før utskrivning fra sykehus, som spenner over et gjennomsnittlig intervall på 12 uker. Kontrollgruppedeltakerne ble rekruttert vilkårlig fra lokalbefolkningen, med sin egen induksjon og "utskrivning" som speilet de faktiske pasientene.

Faktisk må den viktigste 'grunnsannheten' for et slikt eksperiment være diagnoser oppnådd med godkjente og standardmetoder, og dette var tilfellet for OEG-forsøkene.

Datainnsamlingsfasen skaffet imidlertid ytterligere data som var mer egnet for maskintolkning: intervjuer på gjennomsnittlig 90 minutter ble fanget over tre faser med et Logitech c270 forbrukerwebkamera som kjørte med 25 bilder per sekund.

Den første økten bestod av en standard Hamilton-intervju (basert på forskning opprinnelse rundt 1960), slik som normalt vil bli gitt ved opptak. I den andre fasen, uvanlig, ble pasientene (og deres kolleger i kontrollgruppen) vist videoer av en serie ansiktsuttrykk, og bedt om å etterligne hver av disse, mens de oppgir sitt eget estimat av deres mentale tilstand på det tidspunktet, inkludert følelsesmessig tilstand og intensitet. Denne fasen varte i rundt ti minutter.

I den tredje og siste fasen ble deltakerne vist 96 videoer av skuespillere, som varte i drøyt ti sekunder hver, og som tilsynelatende forteller om intense følelsesmessige opplevelser. Deltakerne ble deretter bedt om å vurdere følelsene og intensiteten representert i videoene, samt deres egne tilsvarende følelser. Denne fasen varte i rundt 15 minutter.

Metode

For å komme frem til gjennomsnittlig gjennomsnitt av de fangede ansiktene (se første bilde ovenfor), ble emosjonelle landemerker fanget med EmoNet rammeverk. Deretter ble samsvar mellom ansiktsformen og den gjennomsnittlige (gjennomsnittlige) ansiktsformen bestemt gjennom stykkevis affin transformasjon.

Dimensjonell følelsesgjenkjenning og spådom om øyeblikk ble utført på hvert landemerkesegment identifisert i forrige trinn.

På dette tidspunktet har lydbasert emosjonsslutning indikert at et lærebart øyeblikk har kommet i pasientens mentale tilstand, og oppgaven er å fange det tilsvarende ansiktsbildet og utvikle den dimensjonen og domenet til deres affekttilstand.

(I videoen ovenfor ser vi arbeidet utviklet av forfatterne av de dimensjonale følelsesgjenkjenningsteknologiene brukt av forskerne for det nye arbeidet).

Formen geodesisk av materialet ble beregnet for hver ramme av dataene, og Singular Value Decomposition (SVD) reduksjon brukt. De resulterende tidsseriedataene ble til slutt modellert som en VAR prosess, og deretter ytterligere redusert via SVD før KART-tilpasning.

Arbeidsflyt for den geodesiske reduksjonsprosessen.

Valens- og opphisselsesverdiene i EmoNet-nettverket ble også behandlet på samme måte med VAR-modellering og sekvenskjerneberegning.

eksperimenter

Som forklart tidligere, er det nye arbeidet først og fremst en medisinsk forskningsartikkel i stedet for en standard datasynsinnsending, og vi henviser leseren til selve papiret for å få en grundig dekning av de forskjellige OEG-eksperimentene som drives av forskerne.

Likevel, for å oppsummere et utvalg av dem:

Affektive lidelser

Her ble 40 deltakere (ikke fra kontroll- eller pasientgruppen) bedt om å vurdere de evaluerte gjennomsnittlige ansiktene (se ovenfor) i forhold til en rekke spørsmål, uten å bli informert om konteksten til dataene. Spørsmålene var:

Hva er kjønnet på de to ansiktene?
Har ansiktene et attraktivt utseende?
Er disse ansiktene pålitelige personer?
Hvordan vurderer du disse menneskenes evne til å handle?
Hva er følelsene til de to ansiktene?
Hva er hudutseendet til de to ansiktene?
Hva er inntrykket av blikket?
Har de to ansiktene hengende munnhjørner?
Har de to ansiktene brune øyne?
Er disse personene kliniske pasienter?

Forskerne fant at disse blinde evalueringene korrelerte med den registrerte tilstanden til de behandlede dataene:

Boksplotresultater for undersøkelsen 'gjennomsnittlig ansikt'.

Klinisk vurdering

For å måle nytten av OEG i innledende vurdering, evaluerte forskerne først hvor effektiv standard klinisk vurdering er i seg selv, og målte forbedringsnivåer mellom induksjon og andre fase (på hvilket tidspunkt pasienten vanligvis mottar medikamentbasert behandling.

Forskerne konkluderte med at status og symptomalvorlighet kunne vurderes godt med denne metoden, og oppnå en korrelasjon på 0.82. En nøyaktig diagnose av enten schizofreni eller depresjon viste seg imidlertid å være mer utfordrende, med standardmetoden som bare oppnådde en score på -0.03 på dette tidlige stadiet.

Forfatterne kommenterer:

«I hovedsak kan pasientstatusen bestemmes relativt godt ved å bruke de vanlige spørreskjemaene. Imidlertid er det i hovedsak alt som kan konkluderes fra det. Om noen er deprimerte eller snarere schizofrene er ikke angitt. Det samme gjelder behandlingsresponsen.'

Resultatene fra maskinprosessen var i stand til å oppnå høyere skårer i dette problemområdet, og sammenlignbare skårer for det innledende pasientevalueringsaspektet:

Høyere tall er bedre. Til venstre viser standard intervjubasert evalueringsnøyaktighet resultater over fire faser av testarkitekturen; til høyre, maskinbaserte resultater.

Diagnose av lidelse

Å skille depresjon fra schizofreni via statiske ansiktsbilder er ikke en triviell sak. Kryssvalidert var maskinprosessen i stand til å oppnå høye nøyaktighetsscore på tvers av de ulike fasene av forsøkene:

I andre eksperimenter var forskerne i stand til å demonstrere bevis på at OEG kan oppfatte pasientforbedring gjennom farmakologisk behandling og generell behandling av lidelsen:

'Den årsaksmessige slutningen over den empiriske forkunnskapen om datainnsamlingen justerte den farmakologiske behandlingen for å observere en tilbakevending til den fysiologiske reguleringen av ansiktsdynamikken. En slik retur kunne ikke observeres under den kliniske resepten.

«For øyeblikket er det ikke klart om en slik maskinbasert anbefaling faktisk vil føre til en betydelig bedre suksess for terapien. Spesielt fordi det er kjent hvilke bivirkninger medisiner kan ha over lang tid.

"Men [slike] pasienttilpassede tilnærminger ville bryte barrierene for den vanlige kategoriske klassifiseringsskjemaet som fortsatt er dominerende brukt i dagliglivet."

* Min konvertering av forfatternes innebygde sitater til hyperkoblinger.

Først publisert 3. august 2022.