דיכאון היא אחת ממחלות הנפש השכיחות ביותר. לא פחות מ-280 מיליון אנשים ברחבי העולם נפגעים ממחלה זו, וזו הסיבה שחוקרים מאוניברסיטת קובנה לטכנולוגיה (KTU) פיתחו מודל של בינה מלאכותית (AI) שעוזר לזהות דיכאון בהתבסס הן על דיבור והן על פעילות עצבית במוח. גישה רב-מודאלית זו, המשלבת שני מקורות נתונים שונים, מאפשרת ניתוח מדויק ואובייקטיבי יותר של מצבו הרגשי של האדם, ופותחת את הדלת לשלב חדש של אבחון דיכאון.
דיכאון הוא אחת מההפרעות הנפשיות הנפוצות ביותר, עם השלכות הרסניות הן על הפרט והן על החברה, ולכן אנו מפתחים שיטת אבחון חדשה ואובייקטיבית יותר שיכולה להפוך לנגישה לכולם בעתיד".
Rytis Maskeliūnas, פרופסור ב-KTU ואחד ממחברי ההמצאה
מדענים טוענים שבעוד שרוב המחקר האבחוני לדיכאון הסתמך באופן מסורתי על סוג יחיד של נתונים, הגישה הרב-מודאלית החדשה יכולה לספק מידע טוב יותר על מצבו הרגשי של האדם.
דיוק מרשים באמצעות נתוני הקול והפעילות המוחית
שילוב זה של נתוני דיבור ופעילות מוחית השיג דיוק מרשים של 97.53 אחוז באבחון דיכאון, ביצועים טובים יותר משיטות חלופיות. "הסיבה לכך היא שהקול מוסיף נתונים למחקר שעדיין לא נוכל לחלץ מהמוח", מסביר מסקליינס.
לדברי מוסיאב יוסופי, דוקטורנט ל-KTU שתרם להמצאה, בחירת הנתונים נבחנה בקפידה: "אמנם מאמינים שהבעות פנים עשויות לגלות יותר על מצבו הפסיכולוגי של אדם, אבל מדובר בנתונים שניתן לזייף בקלות. בחרנו קול מכיוון שהוא יכול לחשוף בעדינות מצב רגשי, כאשר האבחנה משפיעה על קצב הדיבור, האינטונציה והאנרגיה הכללית".
בנוסף, בניגוד לפעילות מוחית חשמלית (EEG) או נתוני קול, הפנים יכולות לזהות ישירות את מצב החומרה של אדם עד לרמה מסוימת. "אבל אנחנו לא יכולים להפר את פרטיות המטופלים, וגם, איסוף ושילוב של נתונים מכמה מקורות מבטיחים יותר לשימוש נוסף", אומר הפרופסור בפקולטה לאינפורמטיקה של KTU (IF).
Maskeliūnas מדגיש כי מערך הנתונים של EEG בשימוש הושג מ-Multimodal Open Dataset for Mental Disorder Analysis (MODMA), שכן קבוצת המחקר של KTU מייצגת את מדעי המחשב ולא את תחום מדעי הרפואה.
נתוני MODMA EEG נאספו ותועדו במשך חמש דקות בזמן שהמשתתפים היו ערים, במנוחה ועיניים עצומות. בחלק האודיו של הניסוי, המטופלים השתתפו במפגש שאלות ותשובות ובמספר פעילויות שהתמקדו בקריאה ותיאור תמונות כדי ללכוד את השפה הטבעית והמצב הקוגניטיבי שלהם.
בינה מלאכותית תצטרך ללמוד כיצד להצדיק את האבחנה
אותות ה-EEG והשמע שנאספו הומרו לספקטרוגרמות, מה שמאפשר להמחיש את הנתונים. מסנני רעש מיוחדים ושיטות עיבוד מקדים יושמו כדי להפוך את הנתונים ללא רעשים וניתנים להשוואה, ומודל למידה עמוקה שונה של DenseNet-121 שימש לזיהוי סימני דיכאון בתמונות. כל תמונה המשתקפת אות משתנה לאורך זמן. ה-EEG הראה צורות גל של פעילות המוח, והצליל הראה התפלגות תדירות ועוצמה.
המודל כלל שכבת סיווג מותאמת אישית שאומנה לפצל את הנתונים לשיעורים של אנשים בריאים או מדוכאים. סיווג מוצלח הוערך ולאחר מכן הוערך דיוק הבקשה.
בעתיד, מודל בינה מלאכותית זה יכול לזרז את האבחנה של דיכאון, או אפילו להרחיק אותו, ולהפחית את הסיכון להערכות סובייקטיביות. זה דורש ניסויים קליניים נוספים ושיפורים בתוכנית. עם זאת, מוסיף Maskeliūnas, כי ההיבט האחרון של המחקר עשוי להעלות כמה אתגרים.
"הבעיה העיקרית במחקרים האלה היא המחסור בנתונים מכיוון שאנשים נוטים להישאר פרטיים לגבי ענייני בריאות הנפש שלהם", הוא אומר.
היבט חשוב נוסף שהוזכר על ידי הפרופסור של המחלקה להנדסת מולטימדיה ב-KTU הוא שיש לשפר את האלגוריתם בצורה כזו שהוא לא רק מדויק אלא גם מספק מידע לאיש המקצוע הרפואי על מה שהוביל לתוצאה האבחונית הזו. "האלגוריתם עדיין צריך ללמוד איך להסביר את האבחנה בצורה מובנת", אומר מסקליינס.
לדברי פרופסור ב-KTU, עקב הביקוש הגובר לפתרונות בינה מלאכותית המשפיעים ישירות על אנשים בתחומים כמו בריאות, פיננסים ומערכת המשפט, דרישות דומות הופכות נפוצות.
זו הסיבה שבינה מלאכותית ניתנת להסבר (XAI), שמטרתה להסביר למשתמש מדוע המודל מקבל החלטות מסוימות ולהגביר את האמון שלו ב-AI, תופסת כעת תאוצה.
