At diagnosticere depression er en vanskelig forretning.
Der er ingen blodprøve, ingen scanning, ingen biopsi for at give et bevis på, at noget er gået forkert. I stedet er den fulde vægt på en uddannet klinikeres dygtighed til at foretage en evaluering, der stort set er baseret på en persons svar på en række standardspørgsmål. Diagnostik kompliceres yderligere af det faktum, at depression kan udstilles på flere måder - fra apati til ophidselse til ekstreme spise- eller sovemønstre.
Så forestillingen om, at kunstig intelligens kan hjælpe med at forudsige, om en person lider af depression, er potentielt et stort skridt fremad - omend en, der bringer med sig spørgsmål om, hvordan den kan bruges.
Hvad der gør det muligt, siger Tuka Alhanai, en forsker ved MITs datalogi og kunstig intelligenslaboratorium (CSAIL), er evnen til en maskinlæringsmodel til at identificere tale- og sprogmønstre forbundet med depression. Vigtigere er det, at modellen hun og kollegaen MIT-videnskabsmand Mohammad Ghassemi udviklede var i stand til at genkende depression med en relativt høj grad af nøjagtighed ved at analysere, hvordan folk taler, snarere end deres specifikke svar på en klinikers spørgsmål.
Det er, hvad Alhanai refererer til som "kontekstfri" analyse; med andre ord, modellen tager sine signaler fra de ord, folk vælger, og hvordan de siger dem, uden at prøve at fortolke betydningen af deres udsagn.
”I stedet for at fortælle modellen om at fokusere på svar på bestemte spørgsmål, er den programmeret til at finde ud af, hvad den selv ønsker at fokusere på, ” siger hun.
Den potentielle fordel, bemærker Alhanai, er, at denne type neurale netværksmetode en dag kunne bruges til at evaluere en persons mere naturlige samtaler uden for en formel, struktureret samtale med en kliniker. Det kan være nyttigt i at tilskynde folk til at søge professionel hjælp, når de ellers måske ikke skyldes omkostninger, afstand eller blot en mangel på bevidsthed om, at noget er galt.
"Hvis du vil implementere modeller på en skalerbar måde, " siger hun, "vil du minimere mængden af begrænsninger, du har på de data, du bruger. Du ønsker at implementere det i enhver regelmæssig samtale og få modellen til at afhente individets tilstand fra den naturlige interaktion. ”
Spotting mønstre
Modellen fokuserede på lyd, video og transkriptioner fra 142 interviews af patienter, hvoraf ca. 30 procent var diagnosticeret med depression af klinikere. Specielt anvendte den en teknik kaldet sekvensmodellering, hvor sekvenser af tekst- og lyddata fra både deprimerede og ikke-deprimerede mennesker blev ført ind i modellen. Derfra opstod forskellige talemønstre for mennesker med og uden depression. For eksempel kan ord som "trist", "lav" eller "ned" have en tendens til at blive parret med stemmesignaler, der er fladere og mere monotone.
Men det var op til modellen at bestemme, hvilke mønstre der var i overensstemmelse med depression. Derefter anvendte det, hvad den lærte at forudsige, hvilke nye fag der var deprimeret. I sidste ende opnåede det en succesrate på 77 procent med at identificere depression.
Forskerne fandt også, at modellen havde brug for betydeligt mere data for at forudsige depression udelukkende ud fra, hvordan en stemme lød, i modsætning til hvilke ord en person brugte. Når sidstnævnte fokuserede udelukkende på tekst, var det nødvendigt med modellen at analysere et gennemsnit på kun syv sekvenser for at forudsige depression. Men når der kun bruges stemmelyd, krævede det 30 sekvenser. Det antyder, at de ord, en person vælger, er en bedre forudsigelse af depression end hvordan de lyder.
Algoritmisk overreach?
Det er stadig alt for tidligt at sige, hvordan en AI-model kan indarbejdes i depression-diagnosen. ”Det er et skridt hen imod at være i stand til at analysere mere fri form interaktioner, men det er kun et første skridt, ” siger James Glass, en senior forsker i CSAIL. Han bemærker, at testprøven var "lille." Han siger også, at forskerne vil prøve at bedre forstå, hvilke specifikke mønstre fra alle de rå data, modellen identificerede som tegn på depression.
”Disse systemer er mere troværdige, når du har en forklaring på, hvad de samler op, ” siger han.
Det er vigtigt, fordi hele ideen om at bruge AI til diagnosticering af mentale helbredstilstande er blevet opfyldt med dens andel af skepsis. Det bruges allerede i terapechatbots, såsom Woebot, men at være involveret i faktisk diagnose ville tage maskinens rolle til et andet niveau.
Den canadiske læge Adam Hofmann, der for nylig skrev i Washington Post, advarede om de mulige konsekvenser af det, han omtalte som ”algoritmisk overreaktion.”
”Kunne falske positive resultater, for eksempel, føre folk, der endnu ikke er deprimeret, til at tro, at de er, ” skrev han. ”Ens mentale helbred er et komplekst samspil mellem genetiske, fysiske og miljømæssige faktorer. Vi kender placebo- og nocebo-effekterne i medicinen, når blinde brugere af sukkerpiller enten oplever de positive eller negative virkninger af en medicin, fordi de enten har de positive eller negative forventninger til det.
"At få at vide, at du er ulykkelig, kan bogstaveligt talt gøre det sådan."
Hofmann rejste også bekymring for, hvor længe konklusionerne af sådanne AI-diagnostiske værktøjer kunne holdes fra tredjepart, f.eks. Forsikringsselskaber eller arbejdsgivere. Denne angst for potentielt misbrug gennem ”depressiondetektorer” blev ligeledes citeret i et nyligt blogindlæg på The Next Web.
Alhanai og Glass har hørt de betænkelige spekulationer om risikoen ved at stole for meget på AI-modeller til mental sundhedsdiagnose. Men de siger, at deres forskning er rettet mod at hjælpe klinikere og ikke erstatte dem.
”Vi er håbefulde, at vi kan tilbyde en komplementær form for analyse, ” siger Glass. ”Patienten er ikke hele tiden hos lægen. Men hvis patienten taler hjemme i sin telefon, måske optager en dagbog, og maskinen registrerer en ændring, kan det signalere til patienten, at de skal kontakte lægen.
”Vi ser ikke, at teknologien tager beslutninger i stedet for klinikeren, ” tilføjer han. ”Vi betragter det som at give en anden inputmetrik til klinikeren. De vil stadig have adgang til alle de aktuelle input, de bruger. Dette ville bare give dem et andet værktøj i deres værktøjskasse. ”
