Охорона здоров’я
Діагностика розладів психічного здоров’я за допомогою оцінки виразів обличчя за допомогою штучного інтелекту

Ключові моментиOEG використовує комп'ютерний зір для розрізнення депресії та шизофренії за виразами…
Показати більше
- OEG використовує комп'ютерний зір для розрізнення депресії та шизофренії за виразами обличчя.
- Метод досяг кореляції 0,82 для статусу пацієнта, але перевершив стандартну діагностику для типу розладу.
- Дослідники пропонують OEG як потенційну заміну оціночних частин у процесах лікування психічного здоров'я.
Дослідники з Німеччини розробили метод ідентифікації розладів психічного здоров’я на основі виразів обличчя, інтерпретованих комп’ютерним зором.
Новий підхід не тільки може відрізнити осіб, які не мають розладів, від тих, хто їх має, але також правильно відрізняє депресію від шизофренії, а також ступінь, у якій пацієнт зараз постраждав від захворювання.
Дослідники надали композитне зображення, яке представляє контрольну групу для їхніх тестів (зліва на зображенні нижче) та пацієнтів, які страждають від розладів психічного здоров’я (праворуч). Ідентичності декількох людей змішані у зображеннях, і жодне зображення не зображує окрему особу:
Особи з афективними розладами мають тенденцію мати підняті брови, важкі погляди, опухлі обличчя та вирази обличчя з опущеними куточками рота. Для захисту конфіденційності пацієнтів ці композитні зображення є єдиними, які доступні на підтримку нової роботи.
До цього часу розпізнавання афективних виразів обличчя використовувалося в основному як потенційний інструмент для базової діагностики. Новий підхід, однак, пропонує можливий метод оцінки прогресу пацієнта під час лікування або, можливо (хоча це не вказано в статті), в їхньому домашньому середовищі для амбулаторного моніторингу.
У статті зазначається*:
‘Перейшовши межі діагностики депресії в афективних обчисленнях, яка була розроблена в попередніх дослідженнях, ми показуємо, що вимірюваний афективний стан, оцінений за допомогою комп’ютерного зору, містить набагато більше інформації, ніж чиста категоріальна класифікація.’
Дослідники назвали цю техніку Опто-Електронна Енцефалографія (ОЕГ), цілком пасивний метод висновку про психічний стан за допомогою аналізу зображень обличчя замість датчиків, що розміщуються на тілі або медичних технологій, заснованих на променях.
Автори висновують, що ОЕГ потенційно може бути не тільки допоміжним засобом для діагностики та лікування, але й у довгостроковій перспективі потенційною заміною певних оцінювальних частин процесу лікування, і це може скоротити час, необхідний для моніторингу пацієнтів та первинної діагностики. Вони зазначають:
‘Загалом, результати, передбачені машиною, показують кращу кореляцію порівняно з чистим клінічним спостереженням за допомогою опитувальників, і вони також об’єктивні. Відносно короткий період вимірювання декількох хвилин для підходів комп’ютерного зору також є помітним, тоді як клінічні інтерв’ю іноді можуть тривати години.’
Однак автори підкреслюють, що догляд за пацієнтами в цій сфері є роботою, що спирається на кілька різних типів даних, з багатьма іншими індикаторами стану пацієнта, які потрібно враховувати, ніж лише їхні вирази обличчя, і що ще зарано вважати, що така система могла б повністю замінити традиційні підходи до розладів психічного здоров’я. Тим не менш, вони вважають ОЕГ перспективною допоміжною технологією, особливо як метод оцінки впливу фармакологічного лікування на пацієнта.
Стаття називається Обличчя афективних розладів, і написана вісьмома дослідниками з широкого спектра установ з приватного та публічного медичного дослідницького сектора.
Дані
(Нова стаття в основному займається різними теоріями та методами, які зараз популярні в діагностиці розладів психічного здоров’я пацієнтів, з меншою увагою, ніж зазвичай, до самих технологій та процесів, використаних у тестах та експериментах)
Збір даних відбувався в Університетській лікарні в Аахені, з 100 пацієнтами, балансованими за статтю, та контрольною групою з 50 осіб, які не мали розладів. Пацієнти включали 35 осіб, які страждали від шизофренії, та 65 осіб, які страждали від депресії.
Для пацієнтської частини тестової групи початкові вимірювання проводилися на момент першої госпіталізації, а друге – перед випискою з лікарні, охоплюючи середній інтервал у 12 тижнів. Учасники контрольної групи були набрані довільно з місцевого населення, з початковими й кінцевими вимірюваннями, що відповідали госпіталізації та виписці пацієнтів.
У суті, найважливішою “правдою” для такого експерименту повинні бути діагнози, отримані затвердженими та стандартними методами, і це було так у випробуваннях ОЕГ.
Однак стадія збору даних отримала додаткові дані, більш придатні для інтерпретації машиною: інтерв’ю, які тривали в середньому 90 хвилин, були записані протягом трьох фаз за допомогою веб-камери Logitech c270, яка працювала з частотою 25 кадрів в секунду.
Перший сеанс складався зі стандартного інтерв’ю Гамільтона (на основі досліджень, походять з 1960 року), як би це було зазвичай під час прийому. На другому етапі, незвично, пацієнти (та їхні аналоги в контрольній групі) бачили відео з серією виразів обличчя, і просили їм наслідувати кожен з цих виразів, а також оцінити свій власний стан психіки в той час, включаючи емоційний стан та інтенсивність. Цей етап тривав близько десяти хвилин.
На третьому та останньому етапі учасники бачили 96 відео з акторами, які тривали трохи більше десяти секунд кожне, як би вони розповідали про інтенсивні емоційні переживання. Потім учасників просили оцінити емоцію та інтенсивність, представлені у відео, а також їхні власні відповідні почуття. Цей етап тривав близько 15 хвилин.
Метод
Щоб отримати середнє значення захоплених облич (див. перше зображення вище), емоційні орієнтири були захоплені за допомогою фреймворку EmoNet. Потім була визначена відповідність між формою обличчя та середньою (середньою) формою обличчя за допомогою кусково-афінного перетворення.
Вимірне розпізнавання емоцій та передбачення погляду очей проводилися для кожного сегмента орієнтирів, ідентифікованих на попередньому етапі.
На цьому етапі аудіо-інференція емоцій вказала, що настав момент навчання у психічному стані пацієнта, і завдання полягало в тому, щоб захопити відповідне зображення обличчя та розвинути цю розмірність та область його афективного стану.
(У відео вище ми бачимо роботу, розроблену авторами технологій вимірного розпізнавання емоцій, використаних дослідниками для нової роботи).
Геодезичний шлях матеріалу був обчислений для кожного кадру даних, і застосовувалася зменшення розмірності за допомогою сингулярного розкладу (SVD). Результатуючі дані часових рядів були змодельовані як VAR-процес, і потім додатково скорочувалися за допомогою SVD до адаптації MAP.
Значення валентності та збудження у мережі EmoNet також були оброблені аналогічним чином з моделюванням VAR та обчисленням ядра послідовності.
Експерименти
Як вже згадувалося раніше, нова робота в основному є медичною дослідницькою статтею, а не звичайною дослідницькою статтею з комп’ютерного зору, і ми посилаємо читача на статтю саму для детального висвітлення різноманітних експериментів ОЕГ, проведених дослідниками.
Тим не менш, щоб підсумувати деякі з них:
Сигнали афективних розладів
Тут 40 учасників (не з контрольної групи чи пацієнтів) були просені оцінити середнє значення облич (див. вище) щодо ряду питань, не знаючи контексту даних. Питання були:
Яка стать у двох облич?
Чи мають обличчя привабливий вигляд?
Чи є ці обличчя людьми, що заслуговують на довіру?
Як ви оцінюєте здатність цих людей діяти?
Яка емоція на двох облич?
Як виглядає шкіра на двох обличчях?
Яке враження від погляду?
Чи мають два обличчя опущені куточки рота?
Чи мають два обличчя підняті брови?
Чи є ці особи клінічними пацієнтами?
Дослідники виявили, що ці сліпі оцінки корелювали з зареєстрованим станом оброблених даних:
Клінічна оцінка
Щоб оцінити корисність ОЕГ у первинній оцінці, дослідники спочатку оцінили, наскільки ефективна стандартна клінічна оцінка сама по собі, вимірюючи рівні покращення між госпіталізацією та другим етапом (коли пацієнт зазвичай уже отримує медикаментозне лікування).
Дослідники висновують, що статус та тяжкість симптомів можна досить добре оцінити за допомогою цього методу, досягнувши кореляцію 0,82. Однак точна діагностика депресії чи шизофренії виявилася більш складною, оскільки стандартний метод отримав оцінку лише -0,03 на цій ранній стадії.
Автори коментують:
‘По суті, стан пацієнта можна досить добре визначити за допомогою звичайних опитувальників. Однак це майже все, що можна зробити з цього. Чи є людина депресивною чи шизофренічною, не вказується. Те ж саме стосується реакції на лікування.’
Результати процесу машини змогли отримати вищі оцінки в цій проблемній області та порівнювані оцінки для первинної оцінки пацієнта:

Вищі значення означають кращі результати. Ліворуч наведено точність стандартної оцінки за інтерв’ю на чотирьох етапах тестування, праворуч — машинні результати.
Діагностика розладів
Визначення депресії від шизофренії за допомогою статичних зображень обличчя не є тривіальним завданням. Під час перехресної перевірки машинний процес зміг отримати високі оцінки точності в різних фазах випробувань:
У інших експериментах дослідники змогли продемонструвати докази того, що ОЕГ може сприймати покращення стану пацієнта за допомогою фармакологічного лікування, а також загальне лікування розладу:
‘Причинне виведення над емпіричними знаннями збору даних регулювала фармакологічне лікування для спостереження повернення до фізіологічної регуляції динаміки обличчя. Таке повернення не спостерігалося під час клінічного призначення.
‘На даний момент неясно, чи таке машинне рекомендаційне рішення дійсно призведе до значного успіху терапії. Особливо тому, що відомо, які побічні ефекти можуть мати ліки за тривалий період часу.
‘Однак, [такі підходи] пацієнт-орієнтовані підходи зламали б бар’єри спільної категоріальної класифікаційної схеми, яка ще домінує в повсякденному житті.’
* Моє перетворення внутрішніх цитат авторів у гіперпосилання.
Перша публікація 3 серпня 2022 року.
















