うつ病の診断は難しい仕事です。
血液検査もスキャンも生検もありませんので、何かがおかしくなったという確固たる証拠が得られます。 代わりに、一連の標準的な質問に対する個人の反応に主に基づいて評価を行うために、訓練された臨床医のスキルに全重みがかかっています。 うつ病は、無関心から興奮、極度の食事や睡眠パターンに至るまで、さまざまな形で現れる可能性があるため、診断はさらに複雑になります。
したがって、人工知能がうつ病にかかっているかどうかを予測するのに役立つという概念は、潜在的に大きな前進です。
それを可能にしたのは、MITのコンピューターサイエンスおよび人工知能研究所（CSAIL）の研究者であるTuka Alhanai氏は、うつ病に関連する音声および言語パターンを識別する機械学習モデルの能力だと言います。 さらに重要なことは、彼女とMITの科学者であるモハマドガッセミが開発したモデルは、臨床医の質問に対する具体的な反応ではなく、人々の話し方を分析することで、比較的高い精度でうつ病を認識することができました。
Alhanaiが「コンテキストフリー」分析と呼ぶものです。 言い換えれば、モデルは、人々が選択した言葉と彼らがどのようにそれらを言うかから、その声明の意味を解釈しようとせずに、その手がかりを取ります。
「特定の質問への回答に焦点を当てるようにモデルに伝える代わりに、焦点を合わせたいものを独自に把握するようにプログラムされています」と彼女は言います。
潜在的な利点は、このタイプのニューラルネットワークアプローチを使用して、臨床医との正式な構造化されたインタビュー以外の人のより自然な会話をいつか評価できることです。 それは、コスト、距離、または単に何かが間違っているという認識がないために、そうでない場合に専門家の助けを求めるよう人々を促すのに役立ちます。
「モデルをスケーラブルな方法で展開したい場合、使用しているデータに対する制約の量を最小限に抑えたいと彼女は言います。 通常の会話でそれを展開し、自然な相互作用から個人の状態をモデルに選択させます。」
スポッティングパターン
このモデルは、患者の142件のインタビューからの音声、ビデオ、および成績証明書に焦点を合わせており、その約30％が臨床医によってうつ病と診断されていました。 具体的には、うつ病の人とうつ病のない人の両方からのテキストと音声データのシーケンスがモデルに入力される、シーケンスモデリングと呼ばれる手法を使用しました。 そのことから、うつ病のある人とない人で異なる発話パターンが現れました。 たとえば、「悲しい」、「低い」、「ダウン」などの単語は、よりフラットで単調な音声信号とペアになる傾向があります。
しかし、どのパターンがうつ病と一致しているかを判断するのはモデル次第でした。 次に、学習したことを適用して、どの新しい被験者が落ち込んでいるかを予測しました。 最終的に、うつ病の特定で77％の成功率を達成しました。
また、研究者は、人がどの言葉を使用したかとは対照的に、音声がどのように聞こえるかだけからうつ病を予測するために、モデルにはかなり多くのデータが必要であることを発見しました。 後者では、テキストのみに焦点を当てた場合、モデルはうつ病を予測するために平均7つのシーケンスのみを分析する必要がありました。 ただし、音声オーディオのみを使用する場合、30のシーケンスが必要でした。 それは、人が選ぶ言葉は、彼らがどのように聞こえるかよりもうつ病のより良い予測因子であることを示唆しています。
アルゴリズムのオーバーリーチ？
AIモデルをうつ病の診断にどのように組み込むことができるかを言うのは、まだ時期尚早です。 「より自由な形式の相互作用を分析できるようになるステップですが、それは最初のステップに過ぎません」とCSAILの上級研究科学者であるジェームスグラスは言います。 彼は、試験サンプルが「極小」であったことに気付いた。また、研究者は、モデルがうつ病の指標として特定したすべての生データからどのようなパターンをよりよく理解しようとするだろうと述べた。
「これらのシステムは、彼らが取り上げているものの説明があると、より信頼できるものになります」と彼は言います。
メンタルヘルスの状態を診断する際にAIを使用するという考え全体が懐疑的な見方をしているため、それは重要です。 Woebotなどのセラピーチャットボットで既に使用されていますが、実際の診断に関与すると、マシンの役割が別のレベルになります。
カナダの医師であるアダム・ホフマンは、最近ワシントンポストに書いて、彼が「アルゴリズムの過剰到達」と呼んだものに起こりうる結果について警告した。
「例えば、偽陽性は、まだ落ち込んでいない人々を彼らが信じているように導くことができました」と彼は書いた。 「精神的健康は、遺伝的、物理的、環境的要因の複雑な相互作用です。 砂糖錠剤の盲目のユーザーが薬のプラスまたはマイナスの期待を持っているため、プラスまたはマイナスの効果を経験するとき、薬のプラセボとノセボの効果を知っています。
「気分が悪いと言われると、文字通りそうなるかもしれません。」
また、Hofmannは、そのようなAI診断ツールの結論が保険会社や雇用主などの外部の第三者からどのくらいの期間保持されるかについて懸念を表明しました。 「うつ病検出器」を介した潜在的な虐待に対する不安は、The Next Webの最近のブログ投稿でも引用されています。
AlhanaiとGlassは、メンタルヘルス診断のためにAIモデルに頼りすぎるリスクについての不安な憶測を聞いています。 しかし彼らは、彼らの研究は臨床医を支援することに向けられており、臨床医に取って代わるものではないと言う。
「補完的な分析形式を提供できることを期待しています」とGlass氏は言います。 「患者はいつも医者と一緒ではありません。 しかし、患者が自宅で電話に向かって話し、日記を記録し、マシンが変化を検出した場合、医師に連絡する必要があることを患者に知らせる場合があります。
「臨床医ではなく、テクノロジーが意思決定を行うとは考えていません」と彼は付け加えます。 「臨床医に別の入力指標を提供するものと考えています。 彼らはまだ使用するすべての現在の入力にアクセスできます。 これにより、ツールボックスに別のツールが追加されます。」
