Penyelidik di Universiti Teknologi Kaunas (KTU) telah mempelopori model kecerdasan buatan yang mendiagnosis kemurungan dengan ketepatan 97.53% dengan menganalisis pertuturan dan aktiviti saraf otak, menandakan kejayaan ketara dalam diagnostik kesihatan mental.
Kemurungan menjejaskan kira-kira 280 juta orang di seluruh dunia, dan mendiagnosisnya dengan tepat sentiasa menjadi cabaran yang ketara. Penyelidik di Universiti Teknologi Kaunas (KTU) telah membuat satu kejayaan dalam bidang ini dengan membangunkan model kecerdasan buatan (AI) yang boleh mengenal pasti kemurungan dengan ketepatan yang luar biasa dengan menganalisis kedua-dua corak pertuturan dan aktiviti saraf otak.
"Kemurungan adalah salah satu gangguan mental yang paling biasa, dengan akibat yang memusnahkan kedua-dua individu dan masyarakat, jadi kami sedang membangunkan kaedah diagnostik baharu yang lebih objektif yang boleh diakses oleh semua orang pada masa hadapan," pengarang bersama Rytis Maskeliūnas, seorang profesor di Jabatan Kejuruteraan Multimedia di KTU, berkata dalam a Siaran akhbar.
Pendekatan Multimodal Meningkatkan Ketepatan Diagnostik
Diterbitkan dalam Jurnal Sains Otak, inovasi itu berpunca daripada pendekatan multimodal yang mengintegrasikan dua jenis data: pertuturan dan aktiviti otak elektrik (EEG).
Para penyelidik berpendapat bahawa walaupun kebanyakan kaedah diagnostik tradisional bergantung pada satu jenis data, pendekatan dwi ini menawarkan pemahaman yang lebih komprehensif tentang keadaan emosi seseorang.
Analisis gabungan ini mencapai ketepatan 97.53% yang mengagumkan dalam mendiagnosis kemurungan, peningkatan yang ketara berbanding kaedah sedia ada.
"Ini kerana suara itu menambah data kepada kajian yang belum dapat kami keluarkan daripada otak," tambah Maskeliūnas.
Data Suara dan Otak: Duo Diagnostik yang Ampuh
Pemilihan sumber data telah dibincangkan dengan teliti, menurut Musyyab Yousufi, pelajar kedoktoran yang menyumbang kepada projek itu. Beliau menyatakan bahawa walaupun ekspresi muka boleh menawarkan beberapa pandangan tentang keadaan psikologi seseorang, ia boleh dimanipulasi dengan mudah.
"Kami memilih suara kerana ia boleh mendedahkan keadaan emosi secara halus, dengan diagnosis mempengaruhi kadar pertuturan, intonasi dan tenaga keseluruhan," kata Yousufi dalam siaran berita.
Privasi pesakit adalah satu lagi pertimbangan kritikal. Kaedah tradisional seperti pengecaman muka boleh mengganggu privasi, manakala pertuturan dan EEG menawarkan data yang kurang invasif tetapi sama bermaklumat.
"[C]mengumpul dan menggabungkan data daripada beberapa sumber adalah lebih menjanjikan untuk kegunaan selanjutnya," tambah Maskeliūnas.
Laluan Ke Hadapan: Meningkatkan Ketelusan dan Pemahaman AI
Pasukan penyelidik KTU menggunakan Multimodal Open Dataset for Mental Disorder Analysis (MODMA) untuk data EEG mereka. Data ini dikumpul dalam tetapan terkawal, dengan peserta berehat, mata ditutup selama lima minit. Serentak dengan itu, ucapan semula jadi peserta dirakam semasa sesi soal jawab dan sambil menerangkan gambar.
Untuk memproses data ini, ia telah diubah menjadi spektrogram, perwakilan visual isyarat. Penapis hingar lanjutan dan model pembelajaran mendalam DenseNet-121 yang diubah suai telah digunakan untuk mengenal pasti penunjuk kemurungan dalam imej ini.
Melangkah ke hadapan, model AI ini boleh menjadikan diagnosis kemurungan lebih cepat dan lebih mudah diakses, berpotensi memudahkan penilaian jauh dan mengurangkan berat sebelah subjektif. Namun, cabaran tetap ada.
"Masalah utama dengan kajian ini ialah kekurangan data kerana orang ramai cenderung untuk kekal peribadi tentang perkara kesihatan mental mereka," jelas Maskeliūnas.
Tugas masa depan yang penting untuk penyelidik adalah meningkatkan keupayaan algoritma untuk menerangkan proses diagnostiknya dengan jelas.
"Algoritma masih perlu belajar bagaimana untuk menerangkan diagnosis dengan cara yang boleh difahami," tambah Maskeliūnas.
Implikasi yang Lebih Luas: AI yang Boleh Diterangkan dalam Penjagaan Kesihatan
Memandangkan penyelesaian AI mendapat daya tarikan dalam bidang sensitif seperti penjagaan kesihatan, kewangan dan undang-undang, permintaan untuk kecerdasan buatan (XAI) yang boleh dijelaskan semakin meningkat. XAI bertujuan untuk menjadikan proses membuat keputusan AI telus, dengan itu membina kepercayaan dan memastikan sistem ini boleh disepadukan dengan pasti ke dalam kawasan kritikal.
Dengan perkembangan ini, KTU membuka jalan yang menjanjikan ke arah diagnosis kemurungan yang lebih tepat, objektif dan boleh difahami, yang berpotensi merevolusikan cara isu kesihatan mental dikenal pasti dan dirawat.