利用人工智能进行准确抑郁症诊断：一种革命性的方法

“抑郁症是一种普遍的心理障碍，可能对个人和社会造成严重影响。因此，我们正在开发一种新的、更客观的诊断方法，最终可以让每个人都能获得，”KTU教授、这一创新的研究之一的Rytis Maskeliūnas表示。

研究人员声称，以往大多数抑郁症的诊断研究主要依赖于单一数据类型。然而，新的多模态方法旨在更全面地理解个人的情感状态。

利用语音和大脑活动数据实现高准确率

这一创新的语音和大脑活动数据组合在抑郁症诊断中实现了高达97.53%的准确率，远超其他现有方法。“加入语音数据增强了我们的研究，因为它揭示了我们目前仅从大脑活动无法收集的方面，”Maskeliūnas解释道。

参与研究的KTU博士生Musyyab Yousufi详细阐述了他们的数据选择：“虽然人们常常认为面部表情可以提供对一个人心理状态的洞察，但这些数据容易被操控。我们选择语音，因为它可以通过语速、语调和整体能量的变化微妙地传达情感状态。”

此外，与脑电图（EEG）或语音数据不同，面部表情只能在一定限度上表明一个人病情的严重性。“然而，我们必须尊重患者的隐私，从多个来源收集和整合数据对未来的应用更为有益，”来自KTU信息学院（IF）的教授解释道。

Maskeliūnas强调，所使用的EEG数据来自用于心理障碍分析的多模态开放数据集（MODMA），明确表明KTU的研究团队专注于计算机科学而非医学。

MODMA的EEG数据是在参与者清醒、休息并闭眼的情况下，在五分钟内收集的。在研究的音频部分，参与者参与了问答环节，以及阅读和描述图像的活动，以捕捉他们的自然语言使用和认知状态。

人工智能必须学会支持其诊断结论

收集到的EEG和音频信号被转化为可视化的频谱图。利用专门的噪声过滤器和预处理技术消除噪声并确保可比性，同时采用经过修改的DenseNet-121深度学习模型识别图像中的抑郁症迹象。每个图像描绘了信号随时间的变化，EEG数据代表大脑活动波形，音频数据显示频率和强度分布。

该模型包含一个经过训练的自定义分类层，用于将数据分类为健康与抑郁个体。此分类过程经过严格评估，然后对应用程序的准确性进行评估。

未来，这一人工智能模型有潜力加快抑郁症的诊断，甚至可能实现远程评估，减少对主观评估的依赖。然而，这一进展仍依赖于未来的临床试验以及对程序的改进。不过，Maskeliūnas指出，这一研究方面可能会带来自身的一系列挑战。

“这些研究的主要挑战是数据稀缺，因为许多人倾向于将心理健康问题保密，”他解释道。

来自KTU多媒体工程系的教授强调的另一个关键方面是，算法不仅需要准确，还需要为医疗专业人员提供有关其如何得出诊断结论的见解。“算法仍然需要学习以可理解的方式呈现这些诊断，”Maskeliūnas指出。

KTU教授进一步表示，考虑到对直接影响不同行业（如医疗、金融和法律系统）个人的人工智能解决方案的需求日益增加，对人工智能可解释性的需求正在逐渐普及。

这一趋势促进了可解释人工智能（XAI）的兴起，旨在阐明模型决策背后的推理，以增强用户对人工智能系统的信任。