Diagnozowanie zaburzeń zdrowia psychicznego poprzez ocenę wyrazu twarzy AI

Naukowcy z Niemiec opracowali metodę rozpoznawania zaburzeń psychicznych na podstawie wyrazu twarzy interpretowanego za pomocą obrazu komputerowego.

Nowe podejście pozwala nie tylko rozróżnić osoby zdrowe i dotknięte chorobą, ale także prawidłowo odróżnić depresję od schizofrenii, a także stopień, w jakim pacjent jest obecnie dotknięty tą chorobą.

Naukowcy przedstawili złożony obraz przedstawiający grupę kontrolną swoich testów (po lewej na obrazku poniżej) i pacjentów cierpiących na zaburzenia psychiczne (po prawej). W przedstawieniach mieszają się tożsamości wielu osób, a żaden obraz nie przedstawia konkretnej osoby:

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

Osoby z zaburzeniami afektywnymi mają tendencję do uniesionych brwi, ołowianych oczu, opuchniętych twarzy i wyrazu ust przypominającego psa. Aby chronić prywatność pacjentów, te złożone obrazy są jedynymi udostępnionymi w ramach nowej pracy.

Do tej pory rozpoznawanie afektów twarzy było wykorzystywane głównie jako potencjalne narzędzie do podstawowej diagnozy. Zamiast tego nowe podejście oferuje możliwą metodę oceny postępów pacjenta w trakcie leczenia lub (potencjalnie, chociaż artykuł tego nie sugeruje) w jego własnym środowisku domowym w celu monitorowania ambulatoryjnego.

W artykule napisano*:

„Wykraczając poza diagnostykę maszynową depresji w dziedzinie informatyki afektywnej, która została opracowana w poprzedni badania naukowepokazujemy, że mierzalny stan afektywny oszacowany za pomocą wizji komputerowej zawiera znacznie więcej informacji niż czysta klasyfikacja kategoryczna.

Naukowcy nazwali tę technikę Optoelektroniczna encefalografia (OEG), całkowicie pasywna metoda wnioskowania o stanie psychicznym na podstawie analizy obrazu twarzy zamiast czujników miejscowych lub technologii obrazowania medycznego opartych na promieniach.

Autorzy doszli do wniosku, że OEG mogłoby potencjalnie nie być tylko dodatkową pomocą w diagnozowaniu i leczeniu, ale w dłuższej perspektywie potencjalnym zamiennikiem niektórych oceniających części procesu leczenia i takim, który mógłby skrócić czas potrzebny pacjentowi na leczenie. monitorowanie i wstępna diagnoza. Zauważają:

„Ogółem wyniki przewidywane przez maszynę wykazują lepszą korelację w porównaniu z kwestionariuszami opartymi wyłącznie na ocenie obserwatora klinicznego, a także są obiektywne. Godny uwagi jest również stosunkowo krótki okres pomiarowy, wynoszący kilka minut w przypadku metod widzenia komputerowego, podczas gdy w przypadku wywiadów klinicznych czasami wymagane są godziny.

Autorzy pragną jednak podkreślić, że opieka nad pacjentem w tej dziedzinie jest procesem wielomodalnym i należy wziąć pod uwagę wiele innych wskaźników stanu pacjenta niż tylko jego mimikę, oraz że jest zbyt wcześnie, aby uznać, że taki system mógłby całkowicie zastąpić tradycyjne podejście do zaburzeń psychicznych. Niemniej jednak uważają OEG za obiecującą technologię dodatkową, szczególnie jako metodę oceny efektów leczenia farmaceutycznego w ramach przepisanego przez pacjenta schematu leczenia.

Połączenia papier jest zatytułowany Oblicze zaburzeń afektywnychi pochodzi od ośmiu badaczy z różnych instytucji z prywatnego i publicznego sektora badań medycznych.

Dane

(Nowy artykuł dotyczy głównie różnych teorii i metod, które są obecnie popularne w diagnostyce zaburzeń psychicznych pacjentów, z mniejszą niż zwykle uwagą na faktyczne technologie i procesy stosowane w testach i różnych eksperymentach)

Gromadzenie danych odbyło się w Szpitalu Uniwersyteckim w Akwizgranie i obejmowało 100 pacjentów zrównoważonych pod względem płci oraz grupę kontrolną składającą się z 50 osób zdrowych. Wśród pacjentów znalazło się 35 osób chorych na schizofrenię i 65 osób cierpiących na depresję.

W przypadku części pacjentów z grupy testowej wstępne pomiary wykonano w czasie pierwszej hospitalizacji, a drugiego przed wypisem ze szpitala, średnio co 12 tygodni. Uczestnicy grupy kontrolnej zostali wybrani arbitralnie z lokalnej populacji, a ich własne wprowadzenie i „wypisanie” odzwierciedlało przebieg rzeczywistych pacjentów.

W efekcie najważniejszą „podstawową prawdą” takiego eksperymentu muszą być diagnozy uzyskane za pomocą zatwierdzonych i standardowych metod, i tak było w przypadku badań OEG.

Jednak na etapie gromadzenia danych uzyskano dodatkowe dane, które lepiej nadają się do interpretacji maszynowej: wywiady trwające średnio 90 minut zostały przechwycone w trzech fazach za pomocą konsumenckiej kamery internetowej Logitech c270 pracującej z szybkością 25 klatek na sekundę.

Pierwsza sesja obejmowała standard Wywiad z Hamiltonem (na podstawie badań pochodzi około 1960 r.), takie jakie zwykle podaje się przy przyjęciu. W drugiej fazie, nietypowo, pokazano pacjentów (oraz ich rówieśników w grupie kontrolnej). filmy szeregu wyrazów twarzy i poproszono o naśladowanie każdego z nich, podając jednocześnie własną ocenę swojego stanu psychicznego w tamtym momencie, w tym stan emocjonalny i intensywność. Faza ta trwała około dziesięciu minut.

W trzeciej i ostatniej fazie uczestnikom pokazano 96 filmów z aktorami, trwających nieco ponad dziesięć sekund każdy, najwyraźniej opowiadających o intensywnych przeżyciach emocjonalnych. Następnie uczestnicy zostali poproszeni o ocenę emocji i intensywności przedstawionych na filmach, a także własnych uczuć. Faza ta trwała około 15 minut.

Metoda wykonania

Aby uzyskać średnią z uchwyconych twarzy (patrz pierwsze zdjęcie powyżej), emocjonalne punkty charakterystyczne zostały uchwycone za pomocą przycisku EmoNet struktura. Następnie określono zgodność pomiędzy kształtem twarzy a średnim (uśrednionym) kształtem twarzy fragmentaryczna transformacja afiniczna.

Wymiarowe rozpoznawanie emocji i przewidywanie spojrzenia przeprowadzono na każdym charakterystycznym segmencie zidentyfikowanym na poprzednim etapie.

W tym momencie wnioskowanie o emocjach na podstawie dźwięku wskazało, że w stanie psychicznym pacjenta nadszedł moment, którego można się nauczyć, a zadaniem jest uchwycenie odpowiedniego obrazu twarzy i rozwinięcie tego wymiaru i domeny stanu emocjonalnego.

(Na powyższym filmie widzimy pracę opracowaną przez autorów technologii wymiarowego rozpoznawania emocji wykorzystanych przez badaczy w nowej pracy).

Dla każdej klatki danych obliczono kształt geodezyjny materiału, a rozkład wartości osobliwych (SVD) zastosowano redukcję. Powstałe dane szeregów czasowych ostatecznie zamodelowano jako a VAR procesu, a następnie dalej redukowane za pomocą SVD Adaptacja MAPY.

Przebieg procesu redukcji geodezyjnej.

Wartości wartościowości i pobudzenia w sieci EmoNet również zostały podobnie przetworzone za pomocą modelowania VAR i obliczeń jądra sekwencji.

Eksperymenty

Jak wyjaśniono wcześniej, nowa praca to przede wszystkim artykuł z badań medycznych, a nie standardowe zgłoszenie dotyczące wizji komputerowej, dlatego odsyłamy czytelnika do samego artykułu, aby uzyskać szczegółowe omówienie różnorodnych eksperymentów OEG prowadzonych przez badaczy.

Niemniej jednak, podsumowując wybrane z nich:

Sygnały zaburzeń afektywnych

Tutaj 40 uczestników (nie z grupy kontrolnej ani grupy pacjentów) poproszono o ocenę ocenianych średnich twarzy (patrz wyżej) w odniesieniu do szeregu pytań, bez wiedzy o kontekście danych. Pytania były następujące:

Jaka jest płeć tych dwóch twarzy?
Czy twarze mają atrakcyjny wygląd?
Czy te twarze są osobami godnymi zaufania?
Jak ocenia Pan zdolność tych osób do działania?
Jakie emocje wyrażają te dwie twarze?
Jaki jest wygląd skóry obu twarzy?
Jakie wrażenie wywołuje spojrzenie?
Czy obie twarze mają opadające kąciki ust?
Czy obie twarze mają podniesione brązowe oczy?
Czy te osoby są pacjentami klinicznymi?

Naukowcy odkryli, że te ślepe oceny korelowały z zarejestrowanym stanem przetwarzanych danych:

Wyniki wykresu pudełkowego dla badania „średniej twarzy”.

Ocena kliniczna

Aby ocenić przydatność OEG we wstępnej ocenie, badacze najpierw ocenili skuteczność samej standardowej oceny klinicznej, mierząc poziomy poprawy między indukcją a drugą fazą (kiedy pacjent zazwyczaj otrzymuje leczenie oparte na lekach).

Naukowcy doszli do wniosku, że za pomocą tej metody można dobrze ocenić stan i nasilenie objawów, osiągając korelację na poziomie 0.82. Jednak dokładna diagnoza schizofrenii lub depresji okazała się trudniejsza, ponieważ standardowa metoda na tym wczesnym etapie uzyskała jedynie wynik -0.03.

Autorzy komentują:

„Zasadniczo stan pacjenta można stosunkowo dobrze określić za pomocą zwykłych kwestionariuszy. To jednak w zasadzie wszystko, co można z tego wywnioskować. Nie jest powiedziane, czy ktoś ma depresję, czy raczej schizofrenię. To samo dotyczy odpowiedzi na leczenie”.

Wyniki procesu maszynowego pozwoliły uzyskać wyższe wyniki w tym obszarze problemowym i porównywalne wyniki w aspekcie wstępnej oceny pacjenta:

Wyższe liczby są lepsze. Po lewej stronie standardowe wyniki dokładności oceny opartej na rozmowie kwalifikacyjnej w czterech fazach architektury testowej; po prawej stronie wyniki uzyskane na podstawie maszyn.

Diagnoza zaburzeń

Odróżnienie depresji od schizofrenii na podstawie statycznych obrazów twarzy nie jest sprawą trywialną. Po zweryfikowaniu krzyżowym proces maszynowy pozwolił uzyskać wysokie wyniki dokładności w różnych fazach prób:

W innych eksperymentach badaczom udało się wykazać, że OEG może dostrzec poprawę stanu pacjenta poprzez leczenie farmakologiczne i ogólne leczenie choroby:

„Wnioski przyczynowe z wcześniejszej wiedzy empirycznej na temat gromadzenia danych dostosowały leczenie farmakologiczne w celu zaobserwowania powrotu do fizjologicznej regulacji dynamiki twarzy. Takiego powrotu nie można było zaobserwować podczas recepty klinicznej.

„W tej chwili nie jest jasne, czy takie zalecenie oparte na maszynach rzeczywiście przełożyłoby się na znacznie lepszy sukces terapii. Zwłaszcza, że ​​wiadomo, jakie skutki uboczne mogą powodować leki przez dłuższy okres czasu.

„Jednakże [tego rodzaju] podejście dostosowane do potrzeb pacjenta przełamałoby bariery powszechnego schematu klasyfikacji kategorycznej, wciąż dominującej stosowanej w życiu codziennym”.

* Moja konwersja cytatów autorów wbudowanych w hiperłącza.

Opublikowano po raz pierwszy 3 sierpnia 2022 r.