За да ја дијагностицираат депресијата, лекарите ги интервјуираат пациентите поставувајќи им конкретни прашања за претходни ментални болести, за начинот на животот и расположението - и преку нив ја идентификуваат нивната состојба.

Во последниве години машинското учење се смета за корисна помош за дијагностика. На пример, моделите за машинско учење се развиени за да можат да откријат зборови и интонации на говорот што може да укажуваат на депресија. Но, овие модели имаат тенденција да предвидуваат дали лицето е депресивно или не врз основа на специфични одговори на лицето на специфични прашања. Овие методи се точни, но нивната зависност од видот на прашањето што се поставува ограничува како и каде можат да се користат.

Истражувачите се надеваат дека овој метод може да се искористи за да се развијат алатки за откривање знаци на депресија во природниот разговор. Во иднина, на пример, моделот може да користи мобилни апликации што ќе го надгледуваат текстот и гласот на корисникот и да откријат ментални проблеми и да испраќаат сигнали. Ова може да биде особено корисно за оние што не можат да посетат доктор за почетна дијагноза.

- Првите навестувања дека личноста е среќна, возбудена, тажна или има сериозни когнитивни состојби, како што е депресијата, се покажуваат преку нивниот говор. Ако сакате да ги распоредите моделите за детекција на депресијата на нивоа, тогаш ќе треба да го минимизирате количеството на ограничувања што го имате за податоците што ги користите - вели Тука Алханаи, истражувач од лабораторијата за компјутерски науки и лабораторијата за вештачка интелигенција.

Технологијата може да се користи за идентификување ментални проблеми во секојдневните разговори во клиничките оддели, додава коавторот Џејмс Стак, висок научен истражувач.

- Секој пациент зборува поинаку, а ако моделот види промени, ова ќе биде знак за лекарите. Ова е чекор напред во помагањето на докторите - вели Џејмс.

Клучната иновација на моделот лежи во способноста да ги детектира обрасците што укажуваат на депресија, а потоа да ги мапира моделите на нови поединци, без дополнителни информации.

Другите модели се обезбедени со посебен сет на прашања, а потоа се дадени примери за тоа како лицето без депресија реагира и примери за тоа како лицето со депресија реагира.

- Моделот гледа секвенции на зборови или стил на зборување и утврдува дека овие модели се со поголема веројатност да бидат видени кај луѓето што се депресивни. Потоа, ако ги види истите секвенции во нови субјекти, може да предвиди дали и тие се депресивни - вели Алханаи.

Откривање на депресијата

Истражувачите го обучиле и го тестирале својот модел врз база на податоци од 142 интеракции од „Distress Analysis Interview Corpus“ што содржи аудио, текст и видеоинтервјуа на пациенти со ментални здравствени проблеми. Секој предмет бил оценет за депресија на скала од 0 до 27, користејќи го личниот здравствен прашалник.

Во експериментите, моделот бил оценет со користење метрика на прецизност и сеќавање. Прецизните мерки идентификувани кај депресивните субјекти од страна на моделот биле дијагностицирани како депресивни. Моделот постигнал 71 процент во прецизност и 81 процент во сеќавање. Во просек, комбинираната оцена за овие показатели, земајќи ги предвид грешките, изнесува 77 проценти. Во поголемиот дел од тестовите моделот на истражувачите ги надминал речиси сите други модели.

Клучен увид од истражувањето е дека за време на експериментите, на моделот му биле потребни многу повеќе податоци за да ја предвиди депресијата од аудио отколку од текст. Со текстот моделот точно можел да ја открие депресијата со просечно седум секвенции на прашање-одговор. Со аудиото, на моделот му биле потребни 30 секвенции.

Ова дело претставува охрабрувачки чекор. Но, сега истражувачите се обидуваат да откријат кои специфични шеми моделот ги идентификува во голем број сурови податоци.