2024. 12. 10. - 08:35
Depresszió: beszéd és agyi aktivitás alapján azonosítja a mesterséges intelligencia
Egy mesterséges intelligencia modell immár képes azonosítani a depressziót a beszéden és az agyi neurális aktivitáson keresztül. Mi több, magyarázható MI-modell fejlesztettek a kutatók.
Mesterséges intelligencia (MI) modell képes azonosítani az egyik legsűrűbben előforduló problémát világszerte: a depressziót. Teszi mindezt úgy, hogy a beszédet és az agyi neurális aktivitást elemzi.
A depresszió az egyik leggyakoribb mentális betegségként 280 millió embert érint szerte a világon.
A Kaunasi Műszaki Egyetem (KTU) kutatói ezért kifejlesztettek egy mesterséges intelligencia modellt, amely a beszéd, illetve az agy idegi aktivitás alapján segít azonosítani a problémát.
A multimodális megközelítés két különböző adatforrást kombinál: lehetővé teszi a személy érzelmi állapotának pontosabb és objektívebb elemzését és ajtót nyit a depresszió diagnózisának új szakasza felé.
„A depresszió az egyik leggyakoribb mentális rendellenesség, melynek pusztító következményei vannak az egyénre és a társadalomra nézve. Ezért új, objektívebb diagnosztikai módszert fejlesztünk ki, amely a jövőben mindenki számára elérhetővé válhat” – mondta el Rytis Maskeliūnas, az egyetem professzora, a találmány egyik szerzője. Olvasd el: MI-terápia csökkentheti a szorongást és a depressziót
Beszéd és agyi aktivitás alapján azonosítja a mesterséges intelligencia a depressziót
A tudósok azzal érvelnek, hogy míg a depresszióval kapcsolatos diagnosztikai kutatások többsége hagyományosan egyetlen típusú adatra támaszkodott, az új multimodális megközelítés jobb információkat nyújthat az egyén érzelmi állapotáról. Tanulmányukat a Brain Sciences Journal szaklapban közölték.
Lenyűgöző pontosság mesterséges intelligenciával
A beszéd- és agytevékenységi adatok ezen kombinációja elképesztő, 97,53 százalékos pontosságot ért el a depresszió diagnosztizálásában, jelentősen felülmúlva az alternatív módszereket.
„Ennek oka, hogy a hang olyan adatokat ad a vizsgálathoz, amelyeket még nem tudunk kinyerni az agyból” - magyarázta Maskeliūnas.
Musyyab Yousufi, tanulmányban résztvevő KTU PhD hallgató elmondta: az adatok kiválasztását alapos megfontolás előzte meg.
„Bár gondolhatjuk úgy, hogy az arckifejezések többet árulnak el egy személy pszichológiai állapotáról, ez meglehetősen könnyen
hamisítható adat. Azért választottuk a hangot, mert finoman képes feltárni egy érzelmi állapotot, a diagnózis befolyásolja a beszédtempót, az intonációt és az általános energiát” – magyarázta Yousufi.
Ezenkívül az elektromos agytevékenységgel (EEG) vagy a hangadatokkal ellentétben az arc bizonyos mértékig közvetlenül képes azonosítani a személy állapotának súlyosságát.
„Nem sérthetjük meg a betegek magánéletét, a több forrásból származó adatok összegyűjtése és kombinálása ígéretesebb a további felhasználáshoz" – mondta a a KTU Informatikai Karának (IF) professzora.
A felhasznált EEG-adatkészlet a Mentális zavarelemzés Multimodális Nyílt Adatkészletéből (MODMA) származott, mivel a KTU kutatócsoportja a számítástechnikát képviseli, nem pedig az orvostudomány területét – emelte ki Maskeliūnas.
A MODMA EEG adatokat a szakemberek 5 percig gyűjtötték és rögzítették, miközben a résztvevők ébren voltak, nyugalomban, csukott szemmel.
A kísérlet hangos részében a páciensek kérdések-felelek alkalmakon vettek részt, számos tevékenység során a képek olvasására és leírására összpontosítottak, hogy a kutatók megragadják természetes nyelvüket és kognitív állapotukat.
A mesterséges intelligencia megtanulja, miként igazolja a diagnózist
A kutatók az összegyűjtött EEG- és audiojeleket spektrogramokká alakították, lehetővé téve az adatok megjelenítését.
Speciális zajszűrőket és előfeldolgozási módszereket alkalmaztak, hogy az adatok zajmentesek és összehasonlíthatóak legyenek, majd egy módosított DenseNet-121 mélytanulási modellt használtak, hogy a depresszió jeleit azonosítsák a képeken. Minden képen visszavert jel idővel változik. Az EEG az agyi aktivitás hullámformáit, a hang pedig a frekvencia- és intenzitás eloszlását mutatta.
Az MI-modell egy egyéni osztályozási réteget tartalmazott, amely az adatokat egészséges vagy depressziós emberek osztályaira bontja. A sikeres besorolást a kutatók értékelték, majd az alkalmazás pontosságát is felmérték.
A jövőben ez a mesterséges intelligencia-modell felgyorsíthatja a depresszió diagnózisát, vagy akár távolról is megmondhatóvá teheti azt. Csökkentheti továbbá a szubjektív értékelések kockázatát.
Ehhez azonban még szükség van további klinikai vizsgálatokra és a program fejlesztésére.
Maskeliūnas megjegyezte: a kutatás utóbbi aspektusa bizonyos kihívásokat vethet fel. A fő probléma ugyanis ezekkel a tanulmányokkal az adatok hiánya, mivel az emberek hajlamosak titokban tartani mentális egészségügyi gondjaikat.
Az algoritmust úgy kell fejleszteni, hogy ne csupán pontos legyen, hanem az egészségügyi szakember számára is tájékoztatást adjon arról, mi vezetett ehhez a diagnosztikai eredményhez.
„Az algoritmusnak még meg kell tanulnia, hogyan magyarázza el érthető módon a diagnózist” – mondta el Maskeliūnas.
A KTU professzora hozzátette, hogy az embereket közvetlenül érintő mesterséges intelligencia-megoldások iránti kereslet növekedése miatt - olyan területeken, mint az egészségügy, a pénzügy és a jogrendszer – általánossá válnak a hasonló követelmények.
Emiatt az magyarázható mesterséges intelligencia (XAI) egyre nagyobb lendületet kap, melynek célja, hogy elmagyarázza a felhasználónak, miért hoz a modell bizonyos döntéseket - hogy növelje a mesterséges intelligencia iránti bizalmat.
B.A.
