Microsoft
活動+
 

MIT機器學習系統可從對話用語預測精神異常風險

病患對話用語模式的細微變化醫師難以察覺,將錯失及早發現精神失常前兆的機會。美國精神醫學協會

美國埃默里大學與哈佛大學的研究團隊發現,日常對話用語的細微變化可用於衡量一個人未來出現精神異常的機會,研究團隊開發的機器學習(machine learning)系統準確率達93%,有助於發掘更多心理疾病的相關資訊,還能對人類心智運作與形成想法的方式有更深入了解。

根據Medical News Today報導,研究顯示認知行為(cognitive-behavioral)等治療方式,可延緩精神失常發作甚而降低發生機率,若能及早發現有精神失常傾向的人,將可採取預防性措施,或有機會逆轉未來的發展。科學家正嘗試各種方法提升預測的精準率,並讓診斷程序更直接與正確。

美國國立衛生研究院(NIH)轄下國家心理衛生研究所(NIMH)的資料顯示,約3%的美國人一生中曾經歷精神失常,警訊包含醫師稱為前驅症候群的各種症狀,通常出現在青少年階段中、後期,25~30%的人最終會發展成精神分裂等精神疾病,訓練有素的醫師透過面談與檢驗方式進行預測的準確性約達80%。

2019年6月13日埃默里大學與哈佛大學研究團隊的開發與測試報告發表於npj Schizophrenia期刊,這項觀念驗證研究顯示以機器學習演算法分析日常對話用語潛藏的細微模式變化,可建立預測未來心理健康的衡量指標。研究團隊正在擴大收集更多資料,並計畫將其機器學習系統應用於癡呆症等其他跟腦部與精神病相關的疾病。

雖然早期的研究已確立個人未來出現精神異常的細微徵候存在於其日常對話用語中,但直到埃默里大學與哈佛大學研究團隊運用機器學習技術,衡量語意密度(semantic density)以及跟聲響(sound)相關的用語後,才真正揭露隱藏在這兩個語言變數的細節,可提供精神失常的細微徵兆以利早期發現與警示。

精神失常患者在精神錯亂發作時,其心智狀態可能會讓他們經歷感知與思想混亂,難以分辨真實與虛幻,妄想與幻覺為常見的症狀,因此會出現不適當的行為或語無倫次,此外也可能出現焦慮、沮喪、睡眠中斷、孤僻內向等情況。不過期待訓練有素的醫師能從與病患的對話中聽出用語模式的細微變化,就如同想用肉眼觀察細菌。

先前的研究將對話分析侷限於衡量語意連貫性(semantic coherence),亦即審視人們如何跨語句運用單字。埃默里大學與哈佛大學研究團隊運用Word2Vec軟體分析對話中的個別單字,可將意義類似的單字對應至語意空間(semantic space)內鄰近的位置,而意義差別極大的單字則遠遠隔開,此外並新增一個額外的程式拓展系統分析語意的能力。

語意密度可提供更深入的資訊,以及評估人們如何組合單字成為語句,這能對人們組成語句的思考程序提供更好的指標,例如低語意密度代表對話內容貧乏或含糊,連同對話中高頻率使用著重語音(voice)與聲響的單字都是精神失常的前兆。埃默里大學與哈佛大學研究團隊的機器學習系統在預測個人日後確診罹患精神異常的準確率可達93%。

機器學習技術讓電腦從經驗中學習而非倚賴預先編程,從已知的資料集(data set)中尋找模式及其所對應的特徵,完成學習程序後便能不斷從新的資料集中辨識這些特徵。埃默里大學與哈佛大學研究團隊將Reddit網站上30,000名使用者的線上對話輸入其機器學習系統,訓練系統建立正常基線(normal baseline)。

接著將參與北美前驅症狀縱觀研究(North American Prodrome Longitudinal Study;NAPLS)的40個人的診斷面談對話輸入機器學習系統,並將分析結果跟基線與NAPLS的診斷進行比對,結果顯示這40個人當中,後來確實發展成精神失常的人使用與聲響相關單字的次數高於基線,此外也更常使用意義相近的單字。

Reddit網站是提供線上新聞、內容評價、論壇的平台,註冊使用者可參與各種主題的對話。NAPLS是在多個機構實施的14年計畫,希望在診斷青少年未來是否會發展成精神失常方面,能掌握其成因並改善醫師的預測能力。

  •     按讚加入DIGITIMES智慧醫療粉絲團
更多關鍵字報導: 麻省理工學院 預防醫學