هوش مصنوعی، افسردگی کودکان را از صدای آنها تشخیص می‌دهد
میگنا: به گزارش نوروساینس نیوز، پژوهش جدیدی نشان می‌دهد که شاید یک الگوریتم هوش مصنوعی که می‌تواند نشانه‌های اضطراب و افسردگی را در الگوی گفتاری کودکان تشخیص دهد، روش سریع و ساده‌ای برای شناسایی افسردگی باشد.
از هر پنج کودک مبتلا به اضطراب و افسردگی، یک نفر به درون‌گرایی مبتلاست. دلیل بروز درون‌گرایی شاید این باشد که کودکان زیر هشت سال نمی‌توانند ناراحتی‌های عاطفی خود را به راحتی بیان کنند. انتظار برای روز ملاقات با روانپزشک، مشکلات مربوط به بیمه و عدم تشخیص نشانه‌های ابتدایی توسط والدین موجب می‌شوند که درمان کودکان به موقع انجام نشود.
"الن مکگینیس"(Ellen McGinnis)، روانشناس بالینی "دانشگاه ورمانت"(UVM) آمریکا گفت: افسردگی بیشتر کودکان زیر هشت سال، معمولاً تشخیص داده نمی‌شود. ما برای شناسایی این کودکان، به آزمایش‌های سریع و هدفمند نیاز داریم.
تشخیص زودهنگام افسردگی در کودکان، بسیار مهم است زیرا مغز کودکان هنوز در مراحل رشد به سر می‌برد و واکنش خوبی نسبت به درمان دارد اما اگر افسردگی به موقع درمان نشود، در آینده به خطراتی مانند اعتیاد و خودکشی منجر خواهد شد. مکگینیس و همکارانش، تأثیر هوش مصنوعی و یادگیری ماشینی را در تشخیص سریع و قابل اطمینان افسردگی مورد بررسی قرار دادند.
آنها نسخه اصلاح شده‌ای از یک فرآیند آزمایشی موسوم به "TSST" را به کار گرفتند که احساس استرس و اضطراب را در بیمار ایجاد می‌کند. آنها از ۷۱ کودک بین سه تا هشت سال خواستند به صورت بداهه، یک داستان سه دقیقه‌ای تعریف کنند و به آنها گفتند که بر اساس سطح جالب بودن داستان، مورد داوری قرار خواهند گرفت. پژوهشگرانی که نقش داور را بر عهده داشتند، جدی بودند و بازخوردهای خنثی یا منفی از خود نشان دادند. پس از ۹۰ ثانیه، زنگ هشدار به صدا درآمد و داوران به شرکت‌کنندگان گفتند که زمان آنها به پایان رسیده است. مکگینیس افزود: این آزمایش طوری طراحی شده که استرس‌زا باشد و حس مورد قضاوت قرار گرفتن را به شرکت‌کننده منتقل کند.
کودکان علاوه بر این آزمایش، یک مصاحبه بالینی را نیز پشت سر گذاشتند و به یک پرسش‌نامه پاسخ دادند تا اختلالات آنها شناسایی شود. پژوهشگران برای تحلیل ویژگی‌های صدای ضبط شده هر کودک، از یک الگوریتم یادگیری ماشینی استفاده کردند تا اختلال آنها را تشخیص دهند و الگوریتم توانست اختلالات را با موفقیت شناسایی کند.
"رایان مکگینیس" (Ryan McGinnis)، از پژوهشگران این پروژه گفت: این الگوریتم توانست کودکان مبتلا به درون‌گرایی را با ۸۰ درصد دقت شناسایی کند و نتایج را با سرعت بیشتری ارائه دهد. ما با کمک این الگوریتم موفق شدیم نتیجه دلخواه را پس از چند ثانیه پردازش به دست آوریم.
گام بعدی پژوهشگران، گسترش الگوریتم تحلیل گفتار و تبدیل آن به یک ابزار بررسی بالینی است که قابلیت نصب به عنوان اپلیکیشن تلفن همراه را داشته باشد و بتواند نتایج مورد نظر را به سرعت ارائه دهد. تحلیل گفتار را می‌توان در ابزار تشخیصی، با تحلیل حرکت نیز ادغام کرد تا کودکانی که در معرض خطر اضطراب و افسردگی قرار دارند، پیش از تشخیص والدین، شناسایی شوند.
این پژوهش، در مجله "Journal of Biomedical and Health Informatics" به چاپ رسید.
از هر پنج کودک مبتلا به اضطراب و افسردگی، یک نفر به درون‌گرایی مبتلاست. دلیل بروز درون‌گرایی شاید این باشد که کودکان زیر هشت سال نمی‌توانند ناراحتی‌های عاطفی خود را به راحتی بیان کنند. انتظار برای روز ملاقات با روانپزشک، مشکلات مربوط به بیمه و عدم تشخیص نشانه‌های ابتدایی توسط والدین موجب می‌شوند که درمان کودکان به موقع انجام نشود.
"الن مکگینیس"(Ellen McGinnis)، روانشناس بالینی "دانشگاه ورمانت"(UVM) آمریکا گفت: افسردگی بیشتر کودکان زیر هشت سال، معمولاً تشخیص داده نمی‌شود. ما برای شناسایی این کودکان، به آزمایش‌های سریع و هدفمند نیاز داریم.
تشخیص زودهنگام افسردگی در کودکان، بسیار مهم است زیرا مغز کودکان هنوز در مراحل رشد به سر می‌برد و واکنش خوبی نسبت به درمان دارد اما اگر افسردگی به موقع درمان نشود، در آینده به خطراتی مانند اعتیاد و خودکشی منجر خواهد شد. مکگینیس و همکارانش، تأثیر هوش مصنوعی و یادگیری ماشینی را در تشخیص سریع و قابل اطمینان افسردگی مورد بررسی قرار دادند.
آنها نسخه اصلاح شده‌ای از یک فرآیند آزمایشی موسوم به "TSST" را به کار گرفتند که احساس استرس و اضطراب را در بیمار ایجاد می‌کند. آنها از ۷۱ کودک بین سه تا هشت سال خواستند به صورت بداهه، یک داستان سه دقیقه‌ای تعریف کنند و به آنها گفتند که بر اساس سطح جالب بودن داستان، مورد داوری قرار خواهند گرفت. پژوهشگرانی که نقش داور را بر عهده داشتند، جدی بودند و بازخوردهای خنثی یا منفی از خود نشان دادند. پس از ۹۰ ثانیه، زنگ هشدار به صدا درآمد و داوران به شرکت‌کنندگان گفتند که زمان آنها به پایان رسیده است. مکگینیس افزود: این آزمایش طوری طراحی شده که استرس‌زا باشد و حس مورد قضاوت قرار گرفتن را به شرکت‌کننده منتقل کند.
کودکان علاوه بر این آزمایش، یک مصاحبه بالینی را نیز پشت سر گذاشتند و به یک پرسش‌نامه پاسخ دادند تا اختلالات آنها شناسایی شود. پژوهشگران برای تحلیل ویژگی‌های صدای ضبط شده هر کودک، از یک الگوریتم یادگیری ماشینی استفاده کردند تا اختلال آنها را تشخیص دهند و الگوریتم توانست اختلالات را با موفقیت شناسایی کند.
"رایان مکگینیس" (Ryan McGinnis)، از پژوهشگران این پروژه گفت: این الگوریتم توانست کودکان مبتلا به درون‌گرایی را با ۸۰ درصد دقت شناسایی کند و نتایج را با سرعت بیشتری ارائه دهد. ما با کمک این الگوریتم موفق شدیم نتیجه دلخواه را پس از چند ثانیه پردازش به دست آوریم.
گام بعدی پژوهشگران، گسترش الگوریتم تحلیل گفتار و تبدیل آن به یک ابزار بررسی بالینی است که قابلیت نصب به عنوان اپلیکیشن تلفن همراه را داشته باشد و بتواند نتایج مورد نظر را به سرعت ارائه دهد. تحلیل گفتار را می‌توان در ابزار تشخیصی، با تحلیل حرکت نیز ادغام کرد تا کودکانی که در معرض خطر اضطراب و افسردگی قرار دارند، پیش از تشخیص والدین، شناسایی شوند.
این پژوهش، در مجله "Journal of Biomedical and Health Informatics" به چاپ رسید.
مرجع : خبرگزاري ايسنا
