modéle-ia-détection-dépression

Diagnostiquer la dépression est une entreprise délicate. Il n’y a pas de test sanguin, pas de scanneur, pas de biopsie pour fournir des preuves tangibles de quelque chose ne fonctionne pas. Il faut plutôt accorder toute l’importance voulue à la compétence d’un clinicien qualifié pour faire une évaluation fondée en grande partie sur les réponses d’une personne à une série de questions standard. Le diagnostic est encore compliqué par le fait que la dépression peut se manifester de multiples façons – du manque d’apathie à l’agitation, en passant par des habitudes alimentaires étranges ou des habitudes de sommeil extrêmes.

L’IA pour diagnostiquer la dépression

Ainsi, si l’intelligence artificielle pouvait aider à prédire si une personne souffre de dépression est potentiellement un grand pas en avant – bien que cela vient avec une question sur la façon dont elle pourrait être utilisée et ses conséquences à long terme.

Selon Tuka Alhanai, chercheuse au Computer Science and Artificial Intelligence Laboratory (CSAIL) du MIT, ce qui rend cela possible, c’est la capacité d’un modèle d’apprentissage automatique à identifier les modèles de parole et de langage associés à la dépression. Plus important encore, le modèle qu’elle et son collègue Mohammad Ghassemi ont mis au point a permis de reconnaître la dépression avec un degré d’exactitude relativement élevé en analysant la façon dont les gens parlent, plutôt que leurs réponses aux questions d’un clinicien.

C’est ce qu’Alhanai appelle une analyse “sans contexte”; en d’autres termes; le modèle prend ses repères à partir des mots que les gens choisissent et de la façon dont ils les disent, sans essayer d’interpréter le sens de leurs déclarations. « Au lieu de dire au modèle de se concentrer sur les réponses à des questions particulières, il est programmé pour déterminer lui-même ce sur quoi il veut se concentrer”, explique-t-elle.

L’avantage potentiel, note Alhanai, est que ce type d’approche de réseau neuronal pourrait un jour être utilisé pour évaluer les conversations plus naturelles d’une personne en dehors d’une entrevue formelle et structurée avec un clinicien. Cela pourrait être utile pour encourager les gens à demander de l’aide professionnelle alors qu’ils pourraient ne pas le faire, en raison du coût, de la distance ou tout simplement un manque de conscience que quelque chose ne va pas.

“Si vous voulez déployer des modèles d’une manière évolutive, vous voulez minimiser les contraintes que vous avez sur les données que vous utilisez. Vous voulez les déployer dans n’importe quelle conversation régulière et avoir le bon modèle de l’interaction naturelle, et de l’état de l’individu.”, explique Alhanai.

Repérer des structures de rédaction

Le modèle était axé sur les enregistrements audio, vidéo de 142 entrevues de patients, dont environ 30% avaient reçu un diagnostic de dépression de la part de cliniciens. Plus précisément, il a utilisé une technique appelée modélisation de séquence, dans laquelle des séquences de texte et de données audio de personnes déprimées et non déprimées ont été introduites dans le modèle.

À partir de là, différents modèles de discours ont émergé pour les personnes avec et sans dépression. Par exemple, des mots comme “triste”, “bas” ou “las” pourraient avoir tendance à être jumelés à des signaux vocaux plus plats et plus monotones. Mais c’était au modèle de déterminer quels modèles étaient compatibles avec la dépression. Puis il a appliqué ce qu’il a appris à prédire à quels nouveaux les sujets étaient déprimés. En fin de compte, il a atteint un taux de 77 % de succès quant à l’identification de la dépression.

Les chercheurs ont également constaté que ce modèle avait besoin de beaucoup plus de données pour prédire la dépression uniquement à partir de la façon dont une voix sonnait, par opposition aux mots qu’une personne utilisait. Avec ce dernier ajout, lorsqu’il se concentrait exclusivement sur le texte, le modèle avait besoin d’analyser une moyenne de seulement sept séquences pour prédire la dépression. Mais lorsqu’il utilisait uniquement l’audio vocal, il lui a fallu 30 séquences. Cela suggère que les mots qu’une personne choisit est un meilleur prédicteur de la dépression que la façon dont ils les expriment.

Quel algorithme?

Il est encore beaucoup trop tôt pour dire comment un modèle d’IA pourrait être incorporé dans le diagnostic de la dépression. ” Il s’agit d’une étape vers la capacité d’analyser des interactions plus libres, mais ce n’est qu’une première étape », déclare James Glass, chercheur principal à L’ISCAIL. Il note que l’échantillon d’essai était “minuscule.” Il note également que les chercheurs voudront essayer de mieux comprendre quels modèles spécifiques à partir de toutes les données brutes le modèle a identifiées comme indicatif de la dépression.

“Ces systèmes sont plus crédibles lorsqu’on a une explication de ce qu’ils captent”, explique-t-il. C’est important parce que l’idée d’utiliser l’IA pour diagnostiquer des problèmes de santé mentale a été accueillie avec scepticisme. Il est déjà utilisé dans les chatbots de thérapie, comme Woebot, mais être impliqué dans le diagnostic réel rendrait le rôle des machines à un autre niveau.

Le médecin canadien Adam Hofmann, qui a récemment écrit dans le Washington Post, a mis en garde contre les conséquences possibles de ce qu’il a appelé une “sur-approche algorithmique.”

“Il pourrait y avoir de faux positifs, par exemple, prédire des gens qui ne sont pas encore déprimés à croire qu’ils le sont,” il a écrit. “La santé mentale est une interaction complexe de facteurs génétiques, physiques et environnementaux. Nous connaissons les effets placebo et nocebo en médecine, quand les utilisateurs à l’aveugle prennent des pilules de sucre, ils ressentent soit des effets positifs ou négatifs d’un médicament parce qu’ils ont soit en attente que celui-ci fonctionne.

Des risques de trop faire confiance l’IA

Hofmann a également soulevé des préoccupations quant à la durée pendant laquelle les conclusions de tels outils de diagnostic de l’IA pourraient être tenues à l’écart des tiers, tels que les employeurs. Cette anxiété au sujet de l’abus potentiel par le biais de “détecteurs de dépression” a également été citée dans un récent billet de blog sur le Web suivant.

Alhanai et Glass ont entendu des spéculations sur les risques de trop s’appuyer sur les modèles d’IA pour le diagnostic de la santé mentale. Mais ils affirment que leur recherche vise à aider les cliniciens, et non à les remplacer. ”Nous espérons pouvoir fournir une forme complémentaire d’analyse », déclare M. Glass. “Le patient n’est pas toujours avec le médecin. Mais si le patient parle à la maison dans son téléphone, peut-être en enregistrant un journal quotidien, et que la machine détecte un changement, il peut signaler au patient qu’il devrait contacter un médecin.

“Nous ne voyons pas la technologie prendre des décisions à la place d’un clinicien”, ajoute-t-il. “Nous considérons qu’il s’agit d’une autre forme de mesure pour le clinicien. Il aurait toujours accès à tous les tests courants qu’il utilise déjà. Ce serait uniquement une façon de lui donner un outil de plus dans sa boîte à outils.”

Source : Smithsonian