В настоящее время машинное обучение и его методы используются для решения задач в самых разных сферах – помогают работать с большими объемами данных, выявлять закономерности, прогнозировать процессы и классифицировать объекты и находят свое применение в промышленности, экономике, маркетинге, науке и многих других областях. Важную роль инструменты машинного обучения играют и в медицине, они позволяют анализировать медицинские изображения, данные о пациентах для более качественной диагностики, прогнозирования заболеваний. Также данные методы возможно применять в том числе к психиатрии. Тема психических заболеваний является довольно важной и требующей постоянного изучения и нахождения новых инструментов. По итогам 2023 года, согласно Министерству здравоохранения России, 314 человека из 100 тысяч имеют диагностированное психическое расстройство в той или иной форме, данный показатель стал самым высоким за последние 10 лет.
По мнению ученых в области методов искусственного интеллекта, в медицине, необходимо учитывать индивидуальные особенности каждого пациента и применять персонализированный подход к диагностике и лечению. Стоит отметить, что пока искусственный интеллект не применяется для диагностики и лечения психических заболеваний, но активно проводится исследования в этой области, например, использование машинного обучения. Машинное обучение активно используется для анализа разных типов данных: речи, продуктов творчества, результатов ЭЭГ и МРТ. Например, гибридная нейронная сеть диагностирует шизофрению по данным ЭЭГ с точностью 99,22%, а модель SchiNet распознаёт признаки шизофрении в речи с точностью 97,68%.
Однако проблема дифференцированной диагностики остаётся актуальной, особенно при схожих симптомах заболеваний, таких как депрессия и биполярное расстройство. Ошибочная постановка диагноза грозит неправильным подбором медицинских препаратов, приводящим к осложнениям состояния больного.
Современные методы диагностики учитывают множественные факторы возникновения психических расстройств, включая генетику, эмоциональные реакции, когнитивные процессы и социальное окружение. Нейронные сети помогают выявлять связи между этими факторами и определять ключевые причины появления болезней.
Преподаватели Кафедры искусственного интеллекта Факультета информационных технологий и анализа больших данных Финансового университета заинтересовались проблемой использования искусственного интеллекта в психиатрии и в рамках научного проекта разработали программный комплекс, использующий методы машинного обучения для анализа письменной речи с целью выявления психических расстройств.
Исследование направлено на решение одной из ключевых проблем современной психиатрии – субъективности в постановке диагноза. Старший преподаватель кафедры искусственного интеллекта Факультета информационных технологий и анализа больших данных Финансового университета Бартева Виктория Алексеевна считает, что новый подход позволяет выявлять лингвистические маркеры заболеваний, невидимые невооруженным глазом, но четко фиксируемые алгоритмами.
В основе проекта лежит комплексный психолингвистический анализ, включающий оценку лексических, синтаксических и семантических особенностей речи. Сотрудниками был проанализирован датасет с высказываниями людей с депрессией, тревожным, биполярным и личностным расстройствами, а также лиц без психиатрических диагнозов.
В ходе выполнения работы были выявлены следующие лингвистические закономерности. Первое – тональность. Для депрессии и тревожного расстройства характерно значительное преобладание негативно окрашенных высказываний. Также люди, страдающие от депрессии, склонны употреблять меньшее количество местоимений первого лица ("я"), предпочитая говорить абстрактно. При биполярном расстройстве, напротив, чаще встречается позитивная речь, что соответствует фазе мании. Второе - длина предложения. Самые длинные предложения характерны для людей с депрессией (в среднем >20 слов), что может быть связано со стремлением детально описать свои переживания. Здоровые люди и пациенты с другими расстройствами используют более короткие конструкции. И третье - ключевые слова. Анализ «облаков слов» выявил специфическую для каждого расстройства лексику (например, частое использование слова «тревожность» при соответствующем расстройстве).
«Нам удалось систематизировать лингвистические особенности, характерные для различных заболеваний, – комментирует доцент Кафедры искусственного интеллекта Факультета информационных технологий и анализа больших данных Романова Екатерина Владимировна. – К примеру, мы видим, как нарушения на разных этапах формирования речи – от замысла высказывания до подбора конкретных слов – проявляются в тексте».
В ходе выполнения научного проекта выделены потенциальные преимущества. Во-первых - повышение объективности диагностики, а именно снижение влияния человеческого фактора при постановке диагноза. Во-вторых - раннее выявление рисков. Это дает возможность идентифицировать тревожные маркеры, в том числе суицидальные тенденции. В-третьих - решение проблемы коморбидности. Помощь в разграничении заболеваний со схожей симптоматикой. В-четвертых - доступность для смежных специалистов. Инструментом смогут пользоваться психологи для первичной оценки состояния клиентов и формирования гипотез.
Реализовав данный проект, сотрудники кафедры пришли к выводу, что использование машинного обучения для ранней диагностики психических заболеваний в виде анализа речи перспективное направление исследования. Детальное изучение расстройств, выявление закономерностей сыграют большую роль в области психиатрии и поспособствуют формированию решений, которые помогут людям обрести психическое здоровье. Важно подчеркнуть, что данный алгоритм предназначен не для замены врача, а для поддержки принятия клинических решений.