211service.com
Hvordan maskinlæring kan bidra til å takle depresjon
Depresjon er en enkelt klingende tilstand med kompleks opprinnelse som ikke er fullt ut forstått. Nå kan maskinlæring gjøre det mulig for forskere å fjerne noen av mysteriene for å gi bedre behandling.
For at pasienter skal bli diagnostisert med alvorlig depressiv lidelse, som antas å være et resultat av en blanding av genetiske, miljømessige og psykologiske faktorer, må de vise flere av en lang liste av symptomer, som tretthet eller mangel på konsentrasjon. Når de er diagnostisert, kan de motta kognitiv atferdsterapi eller medisiner for å lette tilstanden deres. Men ikke hver behandling fungerer for hver pasient, siden symptomene kan variere mye.
Nylig har mange forskere innen kunstig intelligens begynt å utvikle måter å bruke maskinlæring på medisinske situasjoner. Slike tilnærminger er i stand til å oppdage trender og detaljer på tvers av enorme datasett som mennesker aldri ville være i stand til, og pirre ut resultater som kan brukes til å diagnostisere andre pasienter. De En fra New York nylig løp et spesielt interessant essay om å bruke teknikken til å stille diagnoser fra medisinske skanninger.
Lignende tilnærminger brukes for å belyse depresjon. EN studie publisert i Psykiatriforskning tidligere i år viste at MR-skanninger kan analyseres ved hjelp av maskinlæringsalgoritmer for å fastslå sannsynligheten for at noen lider av tilstanden. Ved å identifisere subtile forskjeller i skanninger av mennesker som var og ikke var lidende, fant teamet at de var i stand til å identifisere hvilke usynlige pasienter som led av alvorlig depressiv lidelse fra MR-skanninger med omtrent 75 prosent nøyaktighet.
Kanskje mer interessant, Det melder Vox at forskere fra Weill Cornell Medical College følger en lignende taktikk for å identifisere ulike typer depresjon. Ved å la maskinlæringsalgoritmer avhøre data som fanges når hjernen er i hviletilstand, har forskerne vært i stand til å kategorisere fire forskjellige undertyper av tilstanden som manifesterer seg som forskjellige blandinger av angst og mangel på nytelse.
Ikke alle forsøk på å utlede slike finkornede diagnoser fra MR-undersøkelser har selvfølgelig vært vellykket tidligere. Men bruken av AI gir mye bedre sjanser for å oppdage et signal enn når individuelle leger ser etter skanninger. I det minste gir eksperimentene vekt til forestillingen om at det finnes forskjellige typer depresjon.
Tilnærmingen kan bare være en del av en bredere innsats for å bruke maskinlæring for å oppdage subtile ledetråder relatert til tilstanden. Forskere ved New York Universitys Langone Medical Center, for eksempel, bruker maskinlæringsteknikker for å plukke ut stemmemønstre som er spesielle for personer med depresjon, så vel som tilstander som PTSD.
Og ideen om at det kan være mange typer depresjon kan vise seg nyttig, ifølge Vox. Det bemerker en annen nylig studie utført av forskere ved Emory University som fant at maskinlæring var i stand til å identifisere ulike mønstre av hjerneaktivitet i fMRI-skanninger som korrelerte med effektiviteten til ulike behandlingsformer.
Med andre ord kan det være mulig å ikke bare bruke AI til å identifisere unike typer depresjon, men også for å finne ut hvordan man best kan behandle dem. Slike tilnærminger er fortsatt langt fra å gi klinisk relevante resultater, men de viser at det kan være mulig å identifisere bedre måter å hjelpe lider på i fremtiden.
I mellomtiden prøver noen forskere også å utvikle AI-er for å sikre at depresjon ikke fører til tragiske utfall som selvskading eller selvmord. Forrige måned, for eksempel, Kablet rapportert at forskere ved Florida State University hadde utviklet maskinlæringsprogramvare som analyserer mønstre i helsejournaler for å flagge pasienter som kan ha risiko for selvmordstanker. Og Facebook hevder det kan gjøre noe lignende ved å analysere brukerinnhold - men det gjenstår å se hvor effektive intervensjonene kan være .
(Les mer: vox , Kablet , En fra New York , Store spørsmål rundt Facebooks selvmordsforebyggende verktøy , Stemmeanalyseteknologi kan diagnostisere sykdom)