การแพทย์

การวินิจฉัยความผิดปกติทางจิตด้วยการประเมินสีหน้าโดย AI

Martin Anderson
เพิ่ม Unite.AI ลงในแหล่งข้อมูลที่คุณต้องการบน Google
ประเด็นสำคัญOEG ใช้คอมพิวเตอร์วิทัศน์เพื่อแยกแยะภาวะซึมเศร้าจากโรคจิตเภทผ่านการแสดงออกทางสีหน้า
ดูเพิ่มเติม
  • OEG ใช้คอมพิวเตอร์วิทัศน์เพื่อแยกแยะภาวะซึมเศร้าจากโรคจิตเภทผ่านการแสดงออกทางสีหน้า
  • วิธีการนี้บรรลุค่าสหสัมพันธ์ 0.82 สำหรับสถานะผู้ป่วย แต่มีประสิทธิภาพเหนือกว่าการวินิจฉัยมาตรฐานสำหรับประเภทของความผิดปกติ
  • นักวิจัยเสนอให้ OEG เป็นทางเลือกทดแทนส่วนการประเมินในกระบวนการรักษาสุขภาพจิต

นักวิจัยจากเยอรมนีได้พัฒนาวิธีระบุความผิดปกติทางจิตจากสีหน้าที่ตีความด้วยคอมพิวเตอร์วิชัน

แนวทางใหม่นี้ไม่เพียงแยกผู้ที่ไม่มีความผิดปกติออกจากผู้ป่วย แต่ยังแยกโรคซึมเศร้าจากโรคจิตเภทและประเมินระดับผลกระทบของโรคที่ผู้ป่วยกำลังเผชิญได้

นักวิจัยจัดทำภาพผสมแทนกลุ่มควบคุม (ซ้ายในภาพด้านล่าง) และกลุ่มผู้ป่วยทางจิต (ขวา) โดยผสมใบหน้าของหลายคนเข้าด้วยกัน จึงไม่มีภาพใดแสดงตัวบุคคลใดบุคคลหนึ่ง:

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

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

ผู้มีความผิดปกติทางอารมณ์มักมีคิ้วยกสูง สายตาหนักอึ้ง ใบหน้าบวม และมุมปากตก เพื่อรักษาความเป็นส่วนตัวของผู้ป่วย นักวิจัยจึงเปิดเผยเพียงภาพผสมเหล่านี้เพื่อประกอบงานใหม่

ที่ผ่านมา การรู้จำอารมณ์จากใบหน้าถูกใช้เป็นเครื่องมือที่อาจช่วยวินิจฉัยเบื้องต้น แนวทางใหม่นี้เสนอวิธีประเมินความก้าวหน้าระหว่างการรักษา หรืออาจใช้ติดตามผู้ป่วยนอกในบ้านของตนเองได้ แม้บทความวิจัยไม่ได้เสนอการใช้งานในบ้านไว้

บทความระบุว่า*:

‘เราก้าวไปไกลกว่าการวินิจฉัยโรคซึมเศร้าด้วยเครื่องในสาขาการคำนวณเชิงอารมณ์ ซึ่งพัฒนาขึ้นใน งานวิจัย ก่อนหน้า โดยแสดงว่าภาวะอารมณ์ที่วัดได้จากการประเมินด้วยคอมพิวเตอร์วิชันมีข้อมูลมากกว่าการจำแนกเป็นหมวดหมู่เพียงอย่างเดียว’

นักวิจัยเรียกเทคนิคนี้ว่า Opto Electronic Encephalography (OEG) เป็นวิธีอนุมานสภาพจิตใจแบบรับข้อมูลโดยไม่รบกวนผู้ป่วย ใช้การวิเคราะห์ภาพใบหน้าแทนเซนเซอร์ที่ติดบนร่างกายหรือเทคโนโลยีถ่ายภาพทางการแพทย์ด้วยรังสี

ผู้เขียนสรุปว่า OEG อาจไม่ใช่เพียงเครื่องมือเสริมสำหรับวินิจฉัยและรักษา แต่ในระยะยาวอาจแทนบางขั้นตอนการประเมินในกระบวนการรักษา และลดเวลาติดตามผู้ป่วยและวินิจฉัยเบื้องต้นได้ โดยระบุว่า:

‘โดยรวม ผลที่เครื่องทำนายแสดงความสัมพันธ์ที่ดีกว่าเมื่อเทียบกับแบบสอบถามที่อาศัยคะแนนจากผู้สังเกตทางคลินิกเพียงอย่างเดียว และยังเป็นกลางด้วย ระยะวัดเพียงไม่กี่นาทีของวิธีคอมพิวเตอร์วิชันก็น่าสนใจ ขณะที่บางครั้งการสัมภาษณ์ทางคลินิกต้องใช้เวลาหลายชั่วโมง’

อย่างไรก็ตาม ผู้เขียนเน้นว่าการดูแลผู้ป่วยด้านนี้ต้องอาศัยข้อมูลหลายรูปแบบและพิจารณาตัวบ่งชี้อื่นนอกเหนือจากสีหน้า จึงยังเร็วเกินไปที่จะมองว่าระบบเช่นนี้แทนแนวทางรักษาความผิดปกติทางจิตแบบดั้งเดิมได้ทั้งหมด ถึงกระนั้น พวกเขามองว่า OEG เป็นเทคโนโลยีเสริมที่มีแนวโน้มดี โดยเฉพาะการประเมินผลของยาตามแผนการรักษาที่แพทย์สั่ง

บทความวิจัย มีชื่อว่า The Face of Affective Disorders (ใบหน้าของความผิดปกติทางอารมณ์) จัดทำโดยนักวิจัยแปดคนจากสถาบันหลากหลายแห่งในภาคการวิจัยทางการแพทย์ทั้งรัฐและเอกชน

ข้อมูล

(บทความใหม่นี้เน้นทฤษฎีและวิธีการต่าง ๆ ที่นิยมใช้วินิจฉัยผู้ป่วยทางจิต โดยให้รายละเอียดด้านเทคโนโลยีและขั้นตอนที่ใช้ในการทดสอบและการทดลองน้อยกว่าปกติ)

เก็บข้อมูลที่โรงพยาบาลมหาวิทยาลัยอาเคนจากผู้ป่วย100คนที่มีสัดส่วนเพศสมดุล และกลุ่มควบคุม50คนที่ไม่มีความผิดปกติ ผู้ป่วยประกอบด้วยผู้เป็นโรคจิตเภท35คนและโรคซึมเศร้า65คน

วัดข้อมูลผู้ป่วยครั้งแรกเมื่อเริ่มเข้ารักษาในโรงพยาบาล และครั้งที่สองก่อนออกจากโรงพยาบาล ห่างกันเฉลี่ย12สัปดาห์ กลุ่มควบคุมคัดเลือกจากประชากรในพื้นที่โดยไม่กำหนดเกณฑ์เฉพาะ และกำหนดการเริ่มต้นกับการสิ้นสุดให้สอดคล้องกับการรับเข้าและจำหน่ายผู้ป่วย

ข้อมูลอ้างอิงจริงที่สำคัญที่สุดของการทดลองเช่นนี้ต้องเป็นการวินิจฉัยด้วยวิธีที่ได้รับอนุมัติและเป็นมาตรฐาน ซึ่งการทดลอง OEG ก็ใช้หลักการนี้

นอกจากนี้ ยังเก็บข้อมูลที่เหมาะกับการตีความด้วยเครื่องมากขึ้น โดยบันทึกการสัมภาษณ์เฉลี่ย90นาทีในสามช่วงด้วยเว็บแคมสำหรับผู้บริโภค Logitech c270 ที่25เฟรมต่อวินาที

ช่วงแรกเป็น การสัมภาษณ์ Hamilton ตามมาตรฐาน (อิงงานวิจัยที่เริ่มราวปี1960) เช่นที่ใช้ตามปกติเมื่อรับผู้ป่วยเข้าโรงพยาบาล ช่วงที่สองมีลักษณะต่างไป โดยให้ผู้ป่วยและกลุ่มควบคุมดูวิดีโอสีหน้าหลายแบบแล้วเลียนแบบ พร้อมประเมินสภาพจิตใจของตนเองขณะนั้น รวมถึงอารมณ์และความเข้มข้น ช่วงนี้ใช้เวลาประมาณสิบนาที

ช่วงที่สามซึ่งเป็นช่วงสุดท้าย ผู้เข้าร่วมดูวิดีโอนักแสดง96คลิป แต่ละคลิปยาวกว่าสิบวินาทีเล็กน้อย และดูเสมือนกำลังเล่าประสบการณ์ทางอารมณ์ที่เข้มข้น จากนั้นประเมินอารมณ์และความเข้มข้นที่เห็น รวมถึงความรู้สึกของตนเองที่สอดคล้องกัน ช่วงนี้ใช้เวลาประมาณ15นาที

วิธีการ

เพื่อสร้างใบหน้าเฉลี่ยจากภาพที่บันทึก (ดูภาพแรกด้านบน) นักวิจัยเก็บจุดสำคัญที่สื่ออารมณ์ด้วยเฟรมเวิร์ก EmoNet จากนั้นหาความสอดคล้องระหว่างรูปทรงใบหน้ากับรูปทรงใบหน้าเฉลี่ยด้วย การแปลงแอฟไฟน์เป็นช่วงย่อย

การรู้จำอารมณ์แบบอิงมิติ และ การทำนายทิศทางสายตา ถูกนำไปใช้กับแต่ละส่วนของจุดสำคัญที่ระบุในขั้นก่อนหน้า

ในขั้นนี้ การอนุมานอารมณ์จากเสียงบ่งชี้ว่ามีช่วงเวลาที่เอื้อต่อการเรียนรู้ในสภาพจิตใจของผู้ป่วย หน้าที่คือบันทึกภาพใบหน้าที่สอดคล้องกันแล้วพัฒนามิติและขอบเขตของภาวะอารมณ์นั้น

(วิดีโอด้านบนแสดงผลงานของผู้พัฒนาเทคโนโลยีรู้จำอารมณ์แบบอิงมิติที่นักวิจัยนำมาใช้ในงานใหม่นี้)

คำนวณจีโอเดสิกของรูปทรงในแต่ละเฟรม แล้วลดมิติด้วยการแยกค่าเอกฐาน (SVD) จากนั้นสร้างแบบจำลองข้อมูลอนุกรมเวลาเป็นกระบวนการ VAR และลดมิติด้วย SVD อีกครั้งก่อน การปรับแบบจำลอง MAP

ขั้นตอนการทำงานของกระบวนการลดมิติแบบจีโอเดสิก

ขั้นตอนการทำงานของกระบวนการลดมิติแบบจีโอเดสิก

ค่าอารมณ์ด้านบวกหรือลบและระดับความตื่นตัวในเครือข่าย EmoNet ถูกประมวลผลในลักษณะเดียวกันด้วยแบบจำลอง VAR และการคำนวณเคอร์เนลของลำดับ

การทดลอง

ดังที่อธิบายไป งานนี้เป็นบทความวิจัยทางการแพทย์มากกว่างานคอมพิวเตอร์วิชันตามแบบทั่วไป ผู้อ่านจึงควรอ่านบทความต้นฉบับสำหรับรายละเอียดการทดลอง OEG ต่าง ๆ

อย่างไรก็ดี ตัวอย่างการทดลองบางส่วนสรุปได้ดังนี้:

สัญญาณของความผิดปกติทางอารมณ์

ผู้เข้าร่วม40คนที่ไม่อยู่ในกลุ่มควบคุมหรือกลุ่มผู้ป่วยได้รับการขอให้ให้คะแนนใบหน้าเฉลี่ย (ดูด้านบน) ตามคำถามต่าง ๆ โดยไม่ทราบบริบทของข้อมูล ได้แก่:

ใบหน้าทั้งสองเป็นเพศใด?
ใบหน้าดูน่าดึงดูดหรือไม่?
บุคคลในภาพดูน่าไว้วางใจหรือไม่?
ประเมินความสามารถในการกระทำของบุคคลเหล่านี้อย่างไร?
ใบหน้าทั้งสองแสดงอารมณ์ใด?
ผิวของใบหน้าทั้งสองมีลักษณะอย่างไร?
สายตาให้ความรู้สึกอย่างไร?
มุมปากของทั้งสองใบหน้าตกหรือไม่?
คิ้วของทั้งสองใบหน้ายกสูงหรือไม่?
บุคคลเหล่านี้เป็นผู้ป่วยทางคลินิกหรือไม่?

นักวิจัยพบว่าการประเมินแบบไม่ทราบข้อมูลเหล่านี้สัมพันธ์กับสถานะที่บันทึกไว้ในข้อมูลที่ผ่านการประมวลผล:

ผลแผนภาพกล่องของแบบสำรวจใบหน้าเฉลี่ย

ผลแผนภาพกล่องของแบบสำรวจใบหน้าเฉลี่ย

การประเมินทางคลินิก

เพื่อประเมินประโยชน์ของ OEG ในการประเมินเบื้องต้น นักวิจัยตรวจสอบประสิทธิภาพของการประเมินทางคลินิกมาตรฐานเพียงอย่างเดียวก่อน โดยวัดการดีขึ้นระหว่างการรับเข้าและช่วงที่สอง ซึ่งปกติผู้ป่วยได้รับยาแล้ว

วิธีนี้ประเมินสภาวะและความรุนแรงของอาการได้ดี โดยมีค่าสหสัมพันธ์0.82 แต่การวินิจฉัยแยกโรคจิตเภทจากโรคซึมเศร้าอย่างแม่นยำยากกว่า วิธีมาตรฐานได้คะแนนเพียง-0.03ในระยะแรกนี้

ผู้เขียนกล่าวว่า:

‘โดยหลักแล้ว แบบสอบถามทั่วไปสามารถระบุสภาวะของผู้ป่วยได้ค่อนข้างดี แต่ก็สรุปได้เพียงเท่านั้น ไม่ได้บอกว่าบุคคลนั้นเป็นโรคซึมเศร้าหรือโรคจิตเภท เช่นเดียวกับการตอบสนองต่อการรักษา’

กระบวนการด้วยเครื่องได้คะแนนสูงกว่าในประเด็นนี้ และมีคะแนนใกล้เคียงกันในการประเมินผู้ป่วยเบื้องต้น:

ค่าสูงกว่าหมายถึงผลดีกว่า ซ้ายคือผลการสัมภาษณ์มาตรฐานในสี่ช่วงการทดสอบ ขวาคือผลจากเครื่อง

ค่าสูงกว่าหมายถึงผลดีกว่า ด้านซ้ายคือความแม่นยำของการประเมินด้วยการสัมภาษณ์มาตรฐานในสี่ช่วงของโครงสร้างการทดสอบ ด้านขวาคือผลจากเครื่อง

การวินิจฉัยความผิดปกติ

การแยกโรคซึมเศร้าจากโรคจิตเภทด้วยภาพใบหน้านิ่งไม่ใช่เรื่องง่าย แต่กระบวนการด้วยเครื่องได้คะแนนความแม่นยำสูงในหลายช่วงการทดลองเมื่อประเมินด้วยการตรวจสอบไขว้:

ในการทดลองอื่น นักวิจัยแสดงหลักฐานว่า OEG ตรวจพบการดีขึ้นของผู้ป่วยจากยาและการรักษาความผิดปกติโดยรวมได้:

‘การอนุมานเชิงสาเหตุจากความรู้เชิงประจักษ์ที่ได้จากการเก็บข้อมูลถูกนำมาปรับการให้ยา เพื่อสังเกตการกลับสู่การควบคุมการเคลื่อนไหวใบหน้าทางสรีรวิทยา การกลับคืนเช่นนี้ไม่พบภายใต้การสั่งยาทางคลินิก

‘ขณะนี้ยังไม่ชัดเจนว่าคำแนะนำจากเครื่องเช่นนี้จะทำให้ผลการรักษาดีขึ้นอย่างมีนัยสำคัญจริงหรือไม่ โดยเฉพาะเมื่อทราบว่ายาอาจมีผลข้างเคียงในระยะยาว

‘อย่างไรก็ตาม แนวทางที่ปรับให้เหมาะกับผู้ป่วยเช่นนี้จะช่วยก้าวข้ามข้อจำกัดของการจำแนกแบบหมวดหมู่ทั่วไปที่ยังใช้กันเป็นหลักในชีวิตประจำวัน’

 

* ผู้เขียนเปลี่ยนการอ้างอิงในเนื้อหาของนักวิจัยเป็นไฮเปอร์ลิงก์

เผยแพร่ครั้งแรกเมื่อ3สิงหาคม2022

ผู้เขียนด้านการเรียนรู้ของเครื่อง, ผู้เชี่ยวชาญด้านการสังเคราะห์ภาพมนุษย์. อดีตหัวหน้าฝ่ายเนื้อหาการวิจัยที่ Metaphysic.ai, จนกระทั่งการรวมเข้าเป็น Brahma.ai ของ DNEG.
เว็บไซต์: martinanderson.ai
ติดต่อ: martin@martinanderson.ai