Modelo más naturalmente puede detectar depresión en conversaciones. Red neuronal aprende patrones de discurso que predicen depresión en entrevistas clínicas.

Para diagnosticar la depresión, los médicos entrevista pacientes, preguntas específicas, sobre, digamos, más allá de enfermedades mentales, estilo de vida y estado de ánimo e identificar el estado basado en las respuestas del paciente.

En los últimos años, el aprender de máquina ha sido defendido como una ayuda útil para el diagnóstico. El aprender de máquina, por ejemplo, han desarrollado modelos que pueden detectar palabras y entonaciones de voz que pueden indicar depresión. Pero estos modelos tienden a predecir que una persona deprimida o no, basado en las respuestas específicas de la persona a preguntas específicas. Estos métodos son exactos, pero su dependencia del tipo de pregunta limita cómo y dónde pueden ser utilizados.

En un documento presentado en la Conferencia de MCR, los investigadores MIT detallan un modelo de red neuronal que puede desatarse en texto sin formato y datos de audio de entrevistas para descubrir patrones de discurso indicativos de depresión. Teniendo en cuenta a un nuevo tema, puede predecir con precisión si la persona está deprimida, sin necesidad de cualquier otra información sobre las preguntas y respuestas.

Los investigadores esperan que este método puede utilizarse para desarrollar herramientas para detectar signos de depresión en la conversación natural. En el futuro, el modelo podría, por ejemplo, alimentación aplicaciones móviles que controlan el texto y voz para la angustia mental de un usuario y envían alertas. Esto podría ser especialmente útil para aquellos que no pueden conseguir a un médico para un diagnóstico inicial, debido a la distancia, el costo o la falta de conciencia de que algo puede estar mal.

“Las primeras señales tenemos que una persona sea feliz, emocionada, triste, o una condición cognitiva grave, como la depresión, es a través de su discurso,” dice primer autor Tuka Alhanai, investigador en las Ciencias de la computación y el laboratorio de Inteligencia Artificial (CSAIL) . “Si usted quiere implementar modelos [depresión-detección] de manera escalable… desea minimizar la cantidad de limitaciones en los datos que está utilizando. Que desea desplegar en cualquier conversación regular y tiene el modelo pick up, de la interacción natural, el estado del individuo.”

La tecnología todavía, por supuesto, podría ser utilizado para identificar trastornos mentales en conversaciones casuales en las oficinas de la clínicas, añade el coautor James Glass, un científico de investigación senior en CSAIL. “Cada paciente hablará diferente, y si el modelo ve cambios tal vez será una bandera a los médicos,” dice. “Este es un paso adelante en ver si podemos hacer algo asistencial para ayudar a los médicos”.

El otro coautor en el papel es Mohammad Ghassemi, miembro del Instituto de ingeniería médica y ciencia (IME).

Modelado libre de contexto

La innovación clave del modelo radica en su capacidad para detectar patrones indicativos de la depresión y luego asignar esos patrones a nuevos individuos, sin información adicional. “Lo llamamos ‘context-free,’ porque no estás poniendo restricciones en los tipos de preguntas que buscas y el tipo de respuestas a esas preguntas,” dice Alhanai.

Otros modelos están provistos de un conjunto específico de preguntas y luego dadas ejemplos de cómo una persona sin depresión responde y cómo responde una persona con depresión, por ejemplo, la encuesta directa, “¿tienes una historia de la depresión?” Utiliza las respuestas exactas para luego determinar si un nuevo individuo es deprimido cuando la exacta misma pregunta. “Pero eso no es cómo naturales conversaciones de trabajo”, dice Alhanai.

Los investigadores, por otra parte, utilizaron una técnica denominada modelado de secuencia, a menudo utilizado para procesamiento de voz. Con esta técnica, que alimentadas con las secuencias de modelo de datos de texto y audio de preguntas y respuestas, de tanto deprimido e individuos no deprimidos, uno por uno. Las secuencias acumulada, el modelo extrae patrones de discurso que surgió para personas con o sin depresión. Palabras tales como, decir, “triste”, “baja” o “abajo” puede ser asociado con señales de audio el aplanador y más monótona. Personas con depresión también podrán hablar más despacio y utilizar pausas más largas entre las palabras. En investigaciones previas se han explorado estos texto y audio identificadores de señal de socorro mental. Era en última instancia hasta el modelo para determinar si cualquier patrón era predictivos de depresión o no.

“El modelo ve a secuencias de palabras o el estilo de habla y determina que estos patrones son más propensos a verse en personas que están presionadas o no presionadas,” dice Alhanai. “Entonces, si ve las mismas secuencias en nuevos temas, puede predecir si estas deprimidos demasiado.”

Esta técnica de secuenciación también ayuda al modelo ver la conversación como un todo y nota las diferencias entre cómo hablan personas con y sin depresión con el tiempo.

Detección de depresión

Los investigadores entrenan y probaron su modelo en un conjunto de datos de 142 interacciones del Corpus de entrevista análisis de señal de socorro que contiene audio, texto y videos entrevistas de pacientes con problemas de salud mental y agentes virtuales controlados por los seres humanos. Cada tema está clasificado en términos de depresión en una escala entre 0 a 27, utilizando el cuestionario de Salud Personal. Puntuaciones por encima un corte entre moderada (10 a 14) y moderadamente grave (15 a 19) se considera presionado, mientras que todos los demás por debajo de ese umbral se consideran no deprimidos. De todos los sujetos en el conjunto de datos, 28 (20%) están etiquetados como deprimido.

En experimentos, el modelo se evaluó mediante mediciones de precisión y de memoria. Precisión medidas de los sujetos deprimidos identificaron por el modelo fueron diagnosticadas como deprimidos. Recuerdan medidas de la exactitud del modelo para la detección de todos los sujetos que fueron diagnosticados como deprimida en todo conjunto de datos. En la precisión, el modelo anotó 71 por ciento y, recuerdo, anotó 83 por ciento. La puntuación combinada promedio de esas mediciones, teniendo en cuenta los errores, fue el 77 por ciento. En la mayoría de las pruebas, modelo de los investigadores superó a casi todos los otros modelos.

Una clave de la investigación, notas de Alhanai, es que, durante los experimentos, el modelo necesitaba más datos para predecir depresión de audio a texto. Con el texto, el modelo puede detectar exactamente depresión usando un promedio de siete secuencias de preguntas y respuestas. Con audio, el modelo necesita secuencias de alrededor de 30. “Eso implica que los patrones de uso de la gente de palabras que son predictivos de la depresión ocurren en menor lapso de tiempo en texto que en audio”, dice Alhanai. Tal información podría ayudar a los investigadores MIT y otros, perfeccionar sus modelos.

Este trabajo representa a un piloto “muy alentador”, dice cristal. Pero ahora los investigadores intentan descubrir qué patrones específicos, el modelo identifica a través de decenas de datos brutos. “Ahora”es un poco de una caja negra, dice cristal. “Estos sistemas, sin embargo, son más creíbles cuando tienes una explicación de lo que están escogiendo para arriba. … El próximo desafío es averiguar qué datos se apoderó.”

Los investigadores también tienen como objetivo poner a prueba estos métodos en datos adicionales de muchos temas más con otras condiciones cognitivas, tales como demencia. “No es por lo tanto detectar la depresión, pero un concepto similar de evaluar, de una señal diaria en discurso, si alguien tiene deterioro cognitivo o no”, dice Alhanai.

Haga clic aquí para más información