Diagnosticarea tulburărilor de sănătate mintală prin evaluarea expresiilor faciale cu ajutorul inteligenței artificiale

Cercetători din Germania au dezvoltat o metodă pentru identificarea tulburărilor mintale pe baza expresiilor faciale interpretate de sisteme de vedere computațională.

Abordarea nouă poate nu numai să distingă între subiecții neafectați și cei afectați, dar poate să și distingă corect depresia de schizofrenie, precum și gradul în care pacientul este afectat în prezent de boală.

Cercetătorii au furnizat o imagine compozită care reprezintă grupul de control pentru testele lor (în stânga în imaginea de mai jos) și pacienții care suferă de tulburări mintale (dreapta). Identitățile mai multor persoane sunt amestecate în reprezentări, și niciuna dintre imagini nu reprezintă o persoană anume:

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

Persoanele cu tulburări afective tind să aibă sprâncene ridicate, priviri letargice, fețe umflate și expresii de gură tristă. Pentru a proteja confidențialitatea pacienților, aceste imagini compozite sunt singurele puse la dispoziție în sprijinul noii lucrări.

Până în prezent, recunoașterea afectivă a feței a fost utilizată în principal ca un instrument potențial pentru diagnosticarea de bază. Abordarea nouă oferă o metodă posibilă pentru a evalua progresul pacientului pe parcursul tratamentului sau, eventual (deși articolul nu sugerează acest lucru), în mediul lor domestic pentru monitorizarea ambulatorie.

Articolul afirmă*:

‘Depășind diagnosticul mașinii de depresie în calculul afectiv, care a fost dezvoltat în studii anterioare, arătăm că starea afectivă măsurabilă estimată prin intermediul viziunii computaționale conține mult mai multă informație decât clasificarea pur categorială.’

Cercetătorii au denumit această tehnică Electroencefalografie Optoelectronică (OEG), o metodă complet pasivă de inferență a stării mintale prin analiza imaginilor faciale, în loc de senzori topici sau tehnologii de imagistică medicală bazate pe raze.

Autorii concluzionează că OEG ar putea fi nu numai un ajutor secundar pentru diagnostic și tratament, ci și, pe termen lung, un posibil înlocuitor pentru anumite părți evaluative ale pipeline-ului de tratament, și care ar putea reduce timpul necesar pentru monitorizarea pacientului și diagnosticul inițial. Ei notează:

‘În general, rezultatele prezise de mașină arată corelații mai bune în comparație cu evaluarea pur bazată pe observații clinice și chestionare și sunt, de asemenea, obiective. Perioada de măsurare relativ scurtă de câteva minute pentru abordările de viziune computațională este, de asemenea, remarcabilă, în timp ce interviurile clinice pot dura ore.’

Cu toate acestea, autorii sunt dornici să sublinieze că îngrijirea pacientului în acest domeniu este o abordare multi-modală, cu multe alte indicatori ai stării pacientului care trebuie luați în considerare decât doar expresiile faciale, și că este prea devreme pentru a considera că un astfel de sistem ar putea înlocui complet abordările tradiționale pentru tulburările mintale. Cu toate acestea, ei consideră OEG o tehnologie auxiliară promițătoare, în special ca metodă pentru a evalua efectele tratamentului farmacologic în regimul prescris al pacientului.

Articolul articolul se intitulează Fața tulburărilor afective și provine de la opt cercetători dintr-o gamă largă de instituții din sectorul medical de cercetare privat și public.

Date

(Noua lucrare se ocupă în principal de diversele teorii și metode care sunt în prezent populare în diagnosticarea pacienților cu tulburări mintale, cu mai puțină atenție decât de obicei asupra tehnologiilor și proceselor efective utilizate în testele și experimentele diverse)

Colectarea datelor a avut loc la Spitalul Universitar din Aachen, cu 100 de pacienți cu echilibru de gen și un grup de control de 50 de persoane neafectate. Pacienții incluși au fost 35 de suferinzi de schizofrenie și 65 de persoane care suferă de depresie.

Pentru partea pacientului din grupul de test, măsurătorile inițiale au fost luate la momentul spitalizării inițiale, și a doua înainte de externarea lor din spital, cuprinzând un interval mediu de 12 săptămâni. Participanții la grupul de control au fost recrutați arbitrar din populația locală, cu inducerea și “externarea” lor reflectând pe cele ale pacienților reali.

În esență, “adevărul fundamental” pentru un astfel de experiment trebuie să fie diagnosticile obținute prin metode aprobate și standard, și acesta a fost cazul pentru încercările OEG.

Cu toate acestea, etapa de colectare a datelor a obținut date suplimentare mai potrivite pentru interpretarea mașinii: interviurile care au durat în medie 90 de minute au fost capturate în trei faze cu o cameră web de consum Logitech c270 care rulează la 25fps.

Prima sesiune a constat într-un interviu standard Hamilton (bazat pe cercetări originare din jurul anului 1960), așa cum ar fi fost de obicei administrat la admitere. În a doua fază, neobișnuit, pacienții (și omologii lor din grupul de control) au fost arătați videoclipuri cu o serie de expresii faciale și li s-a cerut să le imite, în timp ce-și estima propria stare mintală la acea vreme, inclusiv starea emoțională și intensitatea. Această fază a durat aproximativ zece minute.

În a treia și ultima fază, participanții au fost arătați 96 de videoclipuri cu actori, care au durat puțin peste zece secunde fiecare, aparent relatând experiențe emoționale intense. Participanții au fost apoi rugați să evalueze emoția și intensitatea reprezentate în videoclipuri, precum și propriile sentimente corespunzătoare. Această fază a durat aproximativ 15 minute.

Metodă

Pentru a ajunge la media medie a fețelor capturate (a se vedea prima imagine, mai sus), reperele emoționale au fost capturate cu cadrul EmoNet. Ulterior, corespondența dintre forma feței și forma medie (mediată) a feței a fost determinată prin transformare afinală pe bucăți.

Recunoașterea emoțională dimensională și predicția privirii ochilor a fost efectuată pe fiecare segment de repere identificat în etapa anterioară.

În acest moment, inferența emoțională bazată pe audio a indicat faptul că un moment de învățare a sosit în starea mintală a pacientului, și sarcina este de a captura imaginea facială corespunzătoare și de a dezvolta acea dimensiune și domeniu al stării sale afective.

(În videoclipul de mai sus, vedem lucrarea dezvoltată de autorii tehnologiilor de recunoaștere emoțională dimensională utilizate de cercetători pentru noua lucrare).

Geodezica formei materialului a fost calculată pentru fiecare cadru al datelor, și s-a aplicat reducerea SVD (SVD). Datele seriale rezultate au fost modelate în cele din urmă ca un proces VAR, și apoi reduse suplimentar prin SVD înainte de adaptarea MAP.

Flux de lucru pentru procesul de reducere geodezică.

Valența și valorile de arousal din rețeaua EmoNet au fost procesate în mod similar cu modelarea VAR și computarea kernelului de secvență.

Experimente

Așa cum s-a explicat anterior, noua lucrare este în primul rând un articol de cercetare medicală decât o prezentare standard de viziune computațională, și ne referim cititorul la articolul însuși pentru o acoperire detaliată a diverselor experimente OEG efectuate de cercetători.

În orice caz, pentru a rezuma o selecție a acestora:

Indicii tulburărilor afective

Aici, 40 de participanți (nu din grupul de control sau din grupul de pacienți) au fost rugați să evalueze fețele medii evaluate (a se vedea mai sus) în ceea ce privește o serie de întrebări, fără a fi informați despre contextul datelor. Întrebările au fost:

Care este sexul celor două fețe?
Fețele au o aparență atractivă?
Sunt fețele acestea persoane de încredere?
Cum evaluați capacitatea acestor oameni de a acționa?
Care este emoția celor două fețe?
Care este aspectul pielii celor două fețe?
Care este impresia privirii?
Au fețele acestea colțuri de gură lăsate?
Au fețele acestea sprâncene ridicate?
Sunt aceste persoane pacienți clinici?

Cercetătorii au constatat că aceste evaluări oarbe au corelat cu starea înregistrată a datelor prelucrate:

Rezultatele graficului cutiei pentru sondajul ‘față medie’.

Evaluarea clinică

Pentru a evalua utilitatea OEG în evaluarea inițială, cercetătorii au evaluat mai întâi cât de eficientă este evaluarea clinică standardă prin ea însăși, măsurând nivelurile de îmbunătățire între inducție și a doua fază (în momentul în care pacientul primește, de obicei, tratamente pe bază de medicamente).

Cercetătorii au concluzionat că starea și gravitatea simptomelor pot fi evaluate bine prin această metodă, obținând o corelație de 0,82. Cu toate acestea, un diagnostic precis al schizofreniei sau al depresiei s-a dovedit a fi mai dificil, metoda standard obținând un scor de -0,03 în această etapă timpurie.

Autorii comentează:

‘În esență, starea pacientului poate fi determinată relativ bine utilizând chestionarele obișnuite. Cu toate acestea, acesta este practic tot ce poate fi concluzionat din ele. Faptul că cineva este deprimat sau mai degrabă schizofrenic nu este indicat. Același lucru se aplică și răspunsului la tratament.’

Rezultatele procesului mașinii au putut obține scoruri mai mari în această zonă a problemelor și scoruri comparabile pentru evaluarea inițială a pacientului:

Numerele mai mari sunt mai bune. În stânga, rezultatele acurateței evaluării pe bază de interviu standard în cele patru faze ale arhitecturii de testare; în dreapta, rezultatele bazate pe mașină.

Diagnosticarea tulburărilor

Distingerea depresiei de schizofrenie prin intermediul imaginilor statice ale feței nu este o chestiune trivială. Validată prin validare transversală, procesul mașinii a putut obține scoruri de acuratețe ridicate pe parcursul diverselor faze ale încercărilor:

În alte experimente, cercetătorii au putut demonstra dovezi că OEG poate percepe îmbunătățirea pacientului prin tratament farmacologic și tratamentul general al tulburării:

‘Inferența cauzală asupra cunoașterii empirice a colecției de date a ajustat tratamentul farmacologic pentru a observa o revenire la reglarea fiziologică a dinamicii faciale. O astfel de revenire nu a putut fi observată în timpul prescripției clinice.

‘În acest moment, nu este clar dacă o astfel de abordare bazată pe mașină ar rezulta, de fapt, într-un succes terapeutic semnificativ mai bun. În special, deoarece este cunoscut ce efecte secundare pot avea medicamentele pe o perioadă lungă de timp.

‘Cu toate acestea, [aceste tipuri] de abordări personalizate ale pacientului ar rupe barierelor schemelor de clasificare categorială comune încă dominant utilizate în viața de zi cu zi.’

* Conversia mea a citărilor inline ale autorilor în legături hipertext.

Publicat pentru prima dată pe 3 august 2022.