Система ИИ на основе эмоций выявляет ранние признаки психоза у молодежи по коротким речевым образцам

Технологический университет Наньян Сингапура (NTU Singapore) и Институт психического здоровья (IMH) разработали систему искусственного интеллекта, способную определять молодежь с высоким риском психоза на основе коротких образцов непринужденной спонтанной речи.

Психоз — это серьезное психическое расстройство, которое обычно возникает в период от подросткового возраста до ранней взрослости и характеризуется галлюцинациями, бредом и расстройством мышления.

Это первое исследование в Сингапуре, специально сосредоточенное на риске раннего психоза у молодежи с использованием больших языковых моделей (LLM), формы искусственного интеллекта, обученной анализировать и генерировать человеческий язык.

Команда исследователей считает, что эта технология в будущем может помочь поставщикам первичной медико-санитарной помощи и работникам сообществ в выявлении уязвимой молодежи до эскалации клинических симптомов.

Раннее выявление людей с ультравысоким риском (UHR) психоза является сложной задачей, поскольку молодежь в повседневной жизни редко открыто говорит о психических проблемах. Ультравысокий риск психоза — это клиническое состояние, при котором человек проявляет ранние предупредительные признаки или факторы риска, которые значительно увеличивают вероятность развития психоза.

Например, депрессивный человек может не явно заявлять о своей депрессии. Это известно как "недискурсивная речь" — язык, который не содержит явного упоминания о переживаемом говорящим психическом состоянии.

Поэтому оценка того, может ли ИИ обнаружить потенциальный риск исключительно на основе непринужденного спонтанного разговора, решает ключевое препятствие на пути ранней интервенции.

Опубликованное в журнале npj Mental Health Research совместное исследование NTU–IMH оценило транскрибированные текстовые образцы 429 участников в возрасте 14–29 лет, включенных в Сингапурское лонгитюдное исследование молодежи группы риска (LYRIKS), инициированное в 2008 году для всесторонней оценки социальных, клинических и биологических факторов риска молодежи с ультравысоким риском развития психоза.

Каждый участник предоставил 45-секундный образец недискурсивной речи в ответ на нейтральный вопрос, например, аргументирование того, почему они должны получить награду за звание "самого интересного человека".

Исследователи обнаружили, что стандартные LLM с трудом справлялись при прямом предложении предсказать клинический риск на основе необработанных транскриптов, достигая производительности не выше случайного угадывания и упуская большинство молодежи с повышенным риском.

Исследователи считают, что стандартные модели не справились из-за отсутствия подходящих учебных наборов данных, а также из-за природы спонтанной повседневной речи, которая редко содержит структурированную клиническую информацию или явные описания симптомов.

Для преодоления этого ограничения команда разработала LEMon-AID (Latent Emotion Proxy for Mental Health Detection with AI-integrated Decision-making), которая использует LLM для извлечения тонких эмоциональных профилей, таких как радость, доверие, страх и грусть из текста, а затем объединяет эти эмоциональные сигналы с традиционными предсказаниями машинного обучения.

Исследование показало, что LEMon-AID значительно превосходит традиционные подходы. Она повысила общую точность предсказания с 55% при прямой подсказке LLM до 67%, одновременно увеличив чувствительность обнаружения так, чтобы можно было выявить до 93% молодежи группы риска.

Вилсон Го, соруководитель исследования и доцент биомедицинской информатики в LKCMedicine и Центре ИИ в медицине NTU, сказал: "Стандартные модели ИИ с трудом выявляют ранние риски психического здоровья из повседневного разговора, потому что люди редко открыто говорят о своих симптомах.

"Вместо того чтобы просить ИИ дать прямой диагноз, LEMon-AID использует языковые модели для чтения основных эмоциональных сигналов. Эта система связывает эмоциональные закономерности с рисками психического здоровья, сохраняя конфиденциальность данных пациента и предоставляя четкие, понятные объяснения".

В отличие от традиционных моделей машинного обучения, которые могут работать как "черные ящики", LEMon-AID генерирует объяснения на естественном языке наряду с оценками риска. Это позволяет клиницистам понять логику, лежащую в основе каждого предсказания, делая ИИ более безопасным и прозрачным инструментом для врачей при оценке пациентов.

Др. Джимми Ли, главный научный сотрудник по исследованиям и инновациям группы NHG Health, старший консультант IMH и доцент LKCMedicine NTU, руководивший исследованием LYRIKS, сказал: "Раннее выявление — один из наших самых мощных инструментов в предотвращении долгосрочной инвалидности и восстановлении здоровья и будущего молодых людей с психическими заболеваниями.

"Это исследование приносит нам значительный шаг ближе к этой цели — будущему, где работники сообществ и поставщики медицинской помощи лучше оснащены для раннего выявления молодежи группы риска, поддержанные инструментами ИИ, которые помогают выявить тех, кого иначе можно было бы упустить. Цель состоит в том, чтобы охватить молодых людей раньше и побудить их обратиться за помощью до того, как их состояние ухудшится".

Матеус Кальвин Локаджая, первый автор исследования и научный сотрудник LKCMedicine, сказал: "Когда мы прямо попросили стандартные модели ИИ определить людей с повышенным риском из транскриптов непринужденных разговоров, они упустили почти всех. Сместив внимание ИИ на отображение эмоциональных сигналов, таких как радость, грусть или доверие, в разговоре, мы нашли способ выявить значимые закономерности, которые ранее были скрыты в повседневной речи".

Новая разработанная фреймворк LEMon-AID исследуется для различных клинических развертываний в будущей работе. Исследователи будут использовать мультимодальные подходы, включающие различные типы и модальности данных — такие как акустические сигналы, высота голоса, ритм речи и выражения лиц — для повышения надежности системы, одновременно помогая нам понять, что закономерности, обнаруженные в речи, поведении и акустике, раскрывают о прогрессировании психического здоровья.

Перед практическим внедрением потребуется дальнейший обширный исследование и валидация в реальных условиях.