Hvordan maskinlæring kan hjælpe med at tackle depression

Depression er en enkelt klingende tilstand med kompleks oprindelse, som ikke er fuldt ud forstået. Nu kan maskinlæring gøre det muligt for forskere at fjerne nogle af dens mysterier for at give bedre behandling.

For at patienter kan blive diagnosticeret med svær depressiv lidelse, som menes at være resultatet af en blanding af genetiske, miljømæssige og psykologiske faktorer, skal de udvise flere af en lang liste af symptomer, såsom træthed eller manglende koncentration. Når de er diagnosticeret, kan de modtage kognitiv adfærdsterapi eller medicin for at hjælpe med at lette deres tilstand. Men ikke hver behandling virker for hver patient, da symptomerne kan variere meget.

For nylig er mange forskere inden for kunstig intelligens begyndt at udvikle måder at anvende maskinlæring på medicinske situationer. Sådanne tilgange er i stand til at spotte trends og detaljer på tværs af enorme datasæt, som mennesker aldrig ville være i stand til, og pirre resultater, der kan bruges til at diagnosticere andre patienter. Det New Yorker for nylig kørte et særligt interessant essay om at bruge teknikken til at stille diagnoser ud fra medicinske scanninger.



Lignende tilgange bliver brugt til at kaste lys over depression. EN undersøgelse offentliggjort i Psykiatriforskning tidligere i år viste, at MR-scanninger kan analyseres ved hjælp af maskinlæringsalgoritmer for at fastslå sandsynligheden for, at nogen lider af tilstanden. Ved at identificere subtile forskelle i scanninger af mennesker, der var og ikke var ramte, fandt teamet ud af, at de var i stand til at identificere, hvilke usete patienter, der led med svær depressiv lidelse, ud fra MR-scanninger med omtrent 75 procent nøjagtighed.

Måske mere interessant, Det beretter Vox at forskere fra Weill Cornell Medical College følger et lignende greb for at identificere forskellige typer depression. Ved at lade maskinlæringsalgoritmer afhøre data, der er fanget, når hjernen er i hviletilstand, har forskerne været i stand til at kategorisere fire forskellige undertyper af tilstanden, der manifesterer sig som forskellige blandinger af angst og mangel på nydelse.

Ikke alle forsøg på at udlede sådanne finkornede diagnoser fra MR-scanninger har naturligvis været succesfulde tidligere. Men brugen af ​​kunstig intelligens giver meget bedre odds for at få øje på et signal, end når individuelle læger søger efter scanninger. I det mindste giver eksperimenterne vægt til forestillingen om, at der findes forskellige typer af depression.

Tilgangen kunne kun være en del af en bredere indsats for at bruge maskinlæring til at få øje på subtile spor relateret til tilstanden. Forskere ved New York Universitys Langone Medical Center bruger for eksempel maskinlæringsteknikker til at udvælge vokalmønstre, der er særlige for mennesker med depression, såvel som tilstande som PTSD.

Og ideen om, at der kan være mange typer depression, kan ifølge Vox vise sig at være nyttig. Det bemærker en anden nyere undersøgelse udført af forskere ved Emory University, der fandt ud af, at maskinlæring var i stand til at identificere forskellige mønstre af hjerneaktivitet i fMRI-scanninger, der korrelerede med effektiviteten af ​​forskellige behandlingsformer.

Med andre ord kan det være muligt ikke bare at bruge kunstig intelligens til at identificere unikke typer af depression, men også at fastslå, hvordan man bedst behandler dem. Sådanne tilgange er stadig langt fra at give klinisk relevante resultater, men de viser, at det kan være muligt at identificere bedre måder at hjælpe syge på i fremtiden.

I mellemtiden forsøger nogle forskere også at udvikle AI'er for at sikre, at depression ikke fører til tragiske udfald som selvskade eller selvmord. Sidste måned var f.eks. Kablet rapporteret at forskere ved Florida State University havde udviklet maskinlæringssoftware, der analyserer mønstre i sundhedsjournaler for at markere patienter, der kan være i risiko for selvmordstanker. Og Facebook hævder, at det kan gøre noget lignende ved at analysere brugerindhold - men det er stadig at se, hvor effektive dets indgreb kan være.

(Læs mere: vox , Kablet , New Yorker , Store spørgsmål omkring Facebooks værktøjer til selvmordsforebyggelse , Stemmeanalyseteknologi kunne diagnosticere sygdom)

skjule