Tehisintellekti kõneanalüüs võib tuvastada väikelaste depressiooni

Uued uuringud näitavad, et masinõppe algoritm suudab väikeste laste kõnemustrites tuvastada ärevuse ja depressiooni märke. Tehnika võiks olla kiirem ja lihtsam viis raskesti märgatavate häirete avastamiseks noortel. Õigeaegse hoolduse tagamiseks on oluline emotsionaalsete probleemide varajane avastamine.

Uurijad selgitavad, et umbes iga viies laps kannatab ärevuse ja depressiooni all, mida üheskoos nimetatakse “internaliseerivateks häireteks”. Häire tunnuseid on aga raske ära tunda, kuna alla kaheksa-aastased lapsed ei suuda oma emotsionaalseid kannatusi usaldusväärselt sõnastada, mistõttu on seda seisundit raske märgata.

Vajadus õigeaegselt diagnoosida on oluline, kuna juurdepääs teenusepakkujale, olgu selleks siis sõiduplaani koostamine või kindlustuskontrolli saamine, on sageli töömahukas protsess.

"Me vajame kiireid ja objektiivseid katseid, et tabada lapsi siis, kui nad kannatavad," ütles dr Ellen McGinnis, Vermonti ülikooli meditsiinikeskuse Vermonti laste, noorte ja perede keskuse kliiniline psühholoog ja uuringu juhtiv autor. "Enamik alla kaheksa-aastaseid lapsi on diagnoosimata."

Uuringud ilmuvad Biomeditsiinilise ja terviseteaduse ajakiri.

Varajane diagnoosimine on kriitilise tähtsusega, kuna lapsed reageerivad ravile hästi, kui nende aju alles areneb, kuid kui neid ei ravita, on hilisemas elus suurem oht ​​ainete kuritarvitamiseks ja enesetappudeks.

Standarddiagnoos hõlmab 60–90-minutist poolstruktureeritud intervjuud koolitatud arsti ja tema esmatasandi arstiga.

McGinnis on koos Vermonti ülikooli biomeditsiiniinseneri ja uuringu vanemautor Ryan McGinnisega otsinud võimalusi tehisintellekti ja masinõppe kasutamiseks diagnoosi kiiremaks ja usaldusväärsemaks muutmiseks.

Teadlased kasutasid meeleolu esilekutsumise ülesande kohandatud versiooni nimega Trier-Social Stress Task, mis on mõeldud subjektis stressi ja ärevuse tekitamiseks.

Rühmal, kus oli 71 last vanuses kolm kuni kaheksa aastat, paluti improviseerida kolmeminutiline lugu ja öeldi, et neid hinnatakse selle põhjal, kui huvitav see oli. Kohtunikuna tegutsenud teadlane jäi kõne vältel rangeks ja andis ainult neutraalset või negatiivset tagasisidet. 90 sekundi pärast ja jälle 30 sekundi möödudes kostis sumin ja kohtunik ütles neile, kui palju aega oli jäänud.

"Ülesanne on loodud stressi tekitama ja panema nad mõtteviisi, et keegi hindas neid," ütleb Ellen McGinnis.

Lapsed diagnoositi ka struktureeritud kliinilise intervjuu ja vanemate küsimustiku abil, mis olid mõlemad väljakujunenud viis laste internaliseerimishäirete kindlakstegemiseks.

Uurijad kasutasid masinõppe algoritmi, et analüüsida iga lapse loo helisalvestiste statistilisi funktsioone ja seostada neid lapse diagnoosiga. Nad leidsid, et algoritm oli laste diagnoosimisel väga edukas ja et kahe buumeri vaheline lindistuste keskmine faas ennustas diagnoosi kõige paremini.

"Algoritm suutis 80-protsendilise täpsusega tuvastada internaliseeriva häire diagnoosiga lapsed ja enamasti võrreldi seda vanemate kontrollnimekirja täpsusega," ütleb Ryan McGinnis.

See võib tulemusi anda ka palju kiiremini - algoritm nõuab diagnoosi andmiseks vaid mõne sekundi töötlemisaega, kui ülesanne on lõpule viidud.

Algoritm määras kindlaks laste kõne kaheksa erinevat helifunktsiooni, kuid eriti kolm paistsid silma sisemiste häirete kõrge näitajana: madala häälega hääled, korratavate kõne käänete ja sisuga ning kõrgema reageeringuga üllatavale summerile.

Ellen McGinnise sõnul sobivad need funktsioonid hästi sellega, mida võite oodata depressiooni all kannatavalt inimeselt. "Madal hääl ja korratavad kõneelemendid peegeldavad seda, millest mõtleme, kui mõtleme depressioonile: rääkimine monotoonse häälega, teie öeldu kordamine," ütleb Ellen McGinnis.

Kõrgem vastus summerile on samuti sarnane reageeringuga, mille teadlased leidsid oma varasemast tööst, kus leiti, et internaliseerimishäiretega lastel on hirmu esilekutsumisel suurem hirmust tingitud stiimuli tagasituleku reaktsioon.

Häälanalüüsi diagnoosimine on sarnane selle varasema töö liikumisanalüüsiga, kuid Ryan McGinnise arvates oleks seda kliinilises keskkonnas palju lihtsam kasutada.

Hirmuülesandeks on vaja pimendatud ruumi, mängumadu, lapse külge kinnitatud liikumisandureid ja juhendit, hääleülesandeks on vaja vaid kohtunikku, kõne salvestamise viisi ja katkestamiseks suminat. "See oleks teostatavam," ütleb ta.

Ellen McGinnise sõnul on järgmine samm kõneanalüüsi algoritmi arendamine kliiniliseks kasutamiseks mõeldud universaalseks skriiningutööriistaks, võib-olla nutitelefoni rakenduse kaudu, mis suudaks tulemusi kohe salvestada ja analüüsida.

Häälanalüüsi võiks kombineerida ka liikumisanalüüsiga tehnoloogia abil diagnostiliste tööriistade kogumina, mis aitab tuvastada ärevuse ja depressiooni ohus olevaid lapsi, enne kui nende vanemad kahtlustavad, et midagi on valesti.

Allikas: Vermonti ülikool