MIT新研究：AI从日常对话中，竟能发现抑郁症的“蛛丝马迹”！

药明康德AI/报道

我们都知道，抑郁症是一种非常严重的精神疾病。然而，大部分抑郁症患者表面看上去并没有什么异常。因此，对这种疾病的诊断就很难从患者的日常行为举止下手，这样一来就加大了医生诊断的难度。近日，MIT计算机科学和人工智能实验室（CSAIL）的研究人员开发出了一种神经网络模型，可以用来分析谈话中的原始文本和音频数据，从而识别和抑郁症相关的语音模式。

本文来源：药明康德AI

通常为了诊断患者是否患有抑郁症，临床医生会和患者进行谈话，并询问一些具体问题，包括以往的精神疾病病史、生活习惯、情绪等，并根据患者的回应来作出诊断。虽然近年来，机器学习已经被用作诊断抑郁症的一种有效手段，但是现有的机器学习模型倾向于根据患者对特定问题的具体答案来判断其是否患有抑郁症。这种方法虽然准确率较高，但是使用的范围会局限于问题的类型。而此次MIT研究人员提出的新模型，可以在无需提供问题和答案信息的情况下，对患者是否抑郁作出诊断。

▲有时我们很难从外表上判断一个人究竟是否患有抑郁症（图片来源：123RF）

该模型的关键创新点在于，它能够识别出谈话中体现抑郁症的特征，然后将这些特征映射到新的个体中。在这个过程中，无需对谈话内容或提问的问题作出任何限制。另一方面，研究人员使用了一种称为序列建模的技术，这种技术在语音处理中经常使用。利用这种技术，他们将抑郁症患者和非抑郁症患者谈话中的文本和音频数据逐个输入到模型序列中。随着序列的不断积累，该模型提取了患抑郁症和非抑郁症患者的语言模式。

例如，像“悲伤”、“低沉”或“低落”之类的词语可能伴随着更为平坦和单调的音频信号出现。患有抑郁症的患者通常的说话速度较慢，并且在单词之间使用更长的停顿时间。这些有关抑郁症的文本和音频特征在以前的研究中也有涉及，但最终是由模型决定这些特征是否可以用来对抑郁症患者做出预测。

研究人员在来自Distress Analysis Interview语料库的142个交互数据集上对模型进行了训练和测试，该语料库包含心理健康问题患者和人类控制的虚拟对象的音频、文本和视频访谈数据。在数据集中的所有受试者中，有28人被标记为抑郁症患者。而在研究中，研究人员使用了精确度和召回度两个标准来对模型进行评估。其中精确度评估的是在模型识别出的抑郁症受试者中，有哪些受试者是数据库标记的抑郁症患者；而召回度则评估了在所有被标记为抑郁症患者的受试者中，被模型识别出的概率。结果显示，该模型在精确度方面的得分为71%，而召回度的得分为83%，在考虑误差的情况下，该模型得到的平均综合分数为77%。在绝大多数测试中，这一表现已经超过了其他绝大多数算法模型。

▲这项研究的作者之一、来自MIT计算机科学和人工智能实验室（CSAIL）的资深研究科学家James Glass博士（图片来源：MIT CSAIL）

研究人员希望这种方法能够用来开发相应的检测手段，从而识别自然对话中的抑郁迹象。这对于那些由于距离、费用或缺乏这方面意识而未能让临床医生进行初步诊断的抑郁症患者尤其重要。

“每个患者的说话方式都是不一样的，如果模型能够识别这种变化，可能会对医生起到非常大的帮助作用，” CSAIL的资深研究科学家James Glass博士表示：“通过开发这个模型，我们在辅助临床医生上又迈进了一步。” 

参考资料：

[1] Model can more naturally detect depression in conversations. Retrieved September 6, 2018, from https://news.mit.edu/2018/neural-network-model-detect-depression-conversations-0830

[2] Alhanai et al., (2018). Detecting Depression with Audio/Text Sequence Modeling of Interviews. Retrieved September 6, 2018, from http://groups.csail.mit.edu/sls/publications/2018/Alhanai_Interspeech-2018.pdf

本文来自药明康德微信团队，欢迎转发到朋友圈，谢绝转载到其它平台。如有开设白名单需求，请在文章底部留言；如有其它合作需求，请联系[e-mail]。

更多精彩文章：