I ricercatori della Kaunas University of Technology (KTU) hanno sviluppato un modello di intelligenza artificiale che diagnostica la depressione con un'accuratezza del 97.53% analizzando l'attività neurale del linguaggio e del cervello, segnando una svolta significativa nella diagnosi della salute mentale.
La depressione colpisce circa 280 milioni di persone in tutto il mondo e diagnosticarla in modo accurato è sempre stata una sfida significativa. I ricercatori della Kaunas University of Technology (KTU) hanno fatto una svolta in questo campo sviluppando un modello di intelligenza artificiale (IA) in grado di identificare la depressione con eccezionale precisione analizzando sia i modelli di linguaggio sia l'attività neurale del cervello.
"La depressione è uno dei disturbi mentali più comuni, con conseguenze devastanti sia per l'individuo che per la società, quindi stiamo sviluppando un nuovo metodo diagnostico più oggettivo che potrebbe diventare accessibile a tutti in futuro", ha affermato il coautore Rytis Maskeliūnas, professore presso il Dipartimento di Ingegneria multimediale presso KTU, in un comunicato stampa.
L'approccio multimodale migliora l'accuratezza diagnostica
Pubblicato il Secondo quanto riportato sulla rivista Brain Sciences Journal, l'innovazione nasce da un approccio multimodale che integra due tipi di dati: il parlato e l'attività elettrica cerebrale (EEG).
I ricercatori sostengono che, mentre la maggior parte dei metodi diagnostici tradizionali si basano su un solo tipo di dati, questo duplice approccio offre una comprensione più completa dello stato emotivo di una persona.
Questa analisi combinata ha raggiunto un'incredibile precisione del 97.53% nella diagnosi della depressione, un miglioramento significativo rispetto ai metodi esistenti.
"Questo perché la voce aggiunge dati allo studio che non possiamo ancora estrarre dal cervello", ha aggiunto Maskeliūnas.
Voce e dati cerebrali: un potente duo diagnostico
La scelta delle fonti di dati è stata attentamente ponderata, secondo Musyyab Yousufi, uno studente di dottorato che ha contribuito al progetto. Ha osservato che, mentre le espressioni facciali potrebbero offrire alcune intuizioni sullo stato psicologico di una persona, possono essere facilmente manipolate.
"Abbiamo scelto la voce perché può rivelare in modo sottile uno stato emotivo, con la diagnosi che influenza il ritmo del discorso, l'intonazione e l'energia complessiva", ha affermato Yousufi nel comunicato stampa.
Un'altra considerazione critica è stata la privacy dei pazienti. I metodi tradizionali come il riconoscimento facciale possono intromettersi nella privacy, mentre la parola e l'EEG offrono dati meno invasivi ma ugualmente informativi.
“[R]accogliere e combinare dati da diverse fonti è più promettente per un ulteriore utilizzo”, ha aggiunto Maskeliūnas.
La strada da seguire: migliorare la trasparenza e la comprensione dell'intelligenza artificiale
Il team di ricerca della KTU ha utilizzato il Multimodal Open Dataset for Mental Disorder Analysis (MODMA) per i dati EEG. Questi dati sono stati raccolti in un ambiente controllato, con i partecipanti a riposo, occhi chiusi per cinque minuti. Contemporaneamente, il linguaggio naturale dei partecipanti è stato registrato durante una sessione di domande e risposte e durante la descrizione delle immagini.
Per elaborare questi dati, sono stati trasformati in spettrogrammi, rappresentazioni visive dei segnali. Sono stati impiegati filtri antirumore avanzati e un modello di apprendimento profondo DenseNet-121 modificato per identificare gli indicatori di depressione in queste immagini.
Andando avanti, questo modello di intelligenza artificiale potrebbe rendere la diagnosi della depressione più rapida e accessibile, facilitando potenzialmente le valutazioni a distanza e riducendo i pregiudizi soggettivi. Tuttavia, le sfide rimangono.
"Il problema principale di questi studi è la mancanza di dati, perché le persone tendono a mantenere la riservatezza sui propri problemi di salute mentale", ha spiegato Maskeliūnas.
Un importante compito futuro per i ricercatori sarà quello di migliorare la capacità dell'algoritmo di spiegare chiaramente il suo processo diagnostico.
"L'algoritmo deve ancora imparare a spiegare la diagnosi in modo comprensibile", ha aggiunto Maskeliūnas.
Le implicazioni più ampie: l’intelligenza artificiale spiegabile nell’assistenza sanitaria
Man mano che le soluzioni AI guadagnano terreno in settori sensibili come sanità, finanza e diritto, la domanda di intelligenza artificiale spiegabile (XAI) è in aumento. XAI mira a rendere trasparente il processo decisionale dell'AI, creando così fiducia e assicurando che questi sistemi possano essere integrati in modo affidabile in aree critiche.
Con questo sviluppo, la KTU apre una promettente strada verso diagnosi più accurate, oggettive e comprensibili della depressione, rivoluzionando potenzialmente il modo in cui i problemi di salute mentale vengono identificati e trattati.