ACM通信

新闻

人工智能与心理健康

由基思·柯克帕特里克
ACM通信，2022年5月，第65卷第5期，32-34页
10.1145 / 3524017
评论

寻求研究心理健康的研究人员和临床医生面临的主要挑战之一是，直接观察心理健康问题的指标可能是具有挑战性的，因为诊断通常依赖于特定感觉或行为的自我报告，或直接观察受试者(由于时间和成本的考虑，这可能是困难的)。这就是为什么在过去的20年里，人们特别关注如何利用技术来帮助人类临床医生识别和评估心理健康问题。

根据《科学》杂志2020年发表的一篇文章，在2000年至2019年期间，有54篇专注于开发机器学习系统以帮助诊断和解决心理健康问题的学术论文发表计算机与人互动汇刊。在54篇论文中，40篇论文的主要研究贡献是基于特定数据的机器学习(ML)模型的开发，7篇论文提出了具体的概念、数据方法、模型或系统，3篇论文应用了现有的机器学习算法，以更好地理解和评估心理健康，或改善心理健康提供者的沟通。一些论文描述了端到端ML系统的实证研究，或评估了ML预测的质量，而一篇论文专门讨论了以用户为中心、可部署的ML系统的设计含义。

尽管进行了大量的研究，但鉴于传统上训练这些ML模型需要大量的患者数据，依赖ML来识别心理健康问题仍然存在挑战。此前的研究引用了2020年4月发表在转化精神病学已经表明神经图像可以记录神经精神障碍的证据，两种常见的神经图像数据被用于识别可能表明精神健康问题的大脑变化。基于脑血流和神经元激活是耦合的这一事实，功能磁共振成像(fMRI)可用于识别与大脑血流相关的变化。利用结构磁共振成像(sMRI)数据，基于结构纹理描述了大脑的神经功能，结构纹理在三维空间上显示了体素强度的空间排列信息。

然而，由法国Inria Saclay研究所的研究员丹尼斯·恩格曼领导的一项研究于2021年10月发表在开放获取的研究期刊上GigaScience他发现，将ML应用于大脑扫描、医疗数据和关于个人环境、习惯、情绪和来自大量人群队列的人口数据的问卷调查结果，可以产生与大脑相关的健康问题的“代理测量”，而不需要专家的评估。

这些所谓的“代理测量”，即与无法直接测量的特定疾病或结果密切相关的间接测量，是Inria研究团队通过利用英国生物银行(british Biobank)拥有的两个数据源开发出来的。英国生物银行是一个大型的长期研究，调查遗传倾向和环境暴露对疾病发展的各自贡献。第一个来源包括来自1万名参与者的生物和医学数据，包括磁共振成像(MRI)数据。然后，研究团队整合了英国生物银行关于个人状况和习惯的问卷数据，如年龄、教育、烟酒使用、睡眠时间和体育锻炼，以及社会人口统计学和行为数据，如研究对象的情绪和情绪。

Inria团队结合这些数据源建立了ML模型，该模型近似测量了大脑年龄，并科学地定义了智力和神经质特征。根据首席研究员Engemann的说法，这种通过核磁共振扫描预测“大脑年龄”的方法，以及其他社会人口统计学和行为数据，创建代理度量的方法，可以用于识别对心理学家和最终用户都有用的心理健康标记。

根据与Engemann同时发布的问答，Engemann说:“给定一个人的大脑图像，生成的模型将通过从大脑‘看起来’相似的人推断出最可能的问卷结果，从而提供预测。”因此，预测的问卷结果可以成为由问卷测量的结构的代理。这反映了问卷数据和大脑图像之间的统计联系，因此可以丰富原有的问卷测量。”

Engemann指出，ML很可能成为帮助心理学家进行个性化心理健康评估的工具，客户或患者授权ML模型安全访问他们的社交媒体账户或手机数据，这将返回对客户和心理健康或教育专家都有用的代理措施。

此外，一旦建立了模型，即使没有专门评估心理健康问卷，也可以获得代理测量。Engemann说:“这是一种很有前途的方法，可以在一般人群中找到大规模的健康统计模式。”如果没有足够的训练数据来运行定制的ML模型，它可以用于加强小型临床研究。

社交媒体用户，尤其是儿童和青少年，在评估他们的心理健康状态时，替代性指标可能是有用的。2021年年中，前Facebook员工Frances Haugen泄露的内部研究文件被提供给《华尔街日报》显示，Instagram加剧了三分之一使用该社交媒体服务的少女的身体形象问题。这些内部数据的公布印证了一种普遍接受的说法，即社交媒体对其用户产生了负面影响。然而，更仔细的调查表明，Facebook的内部研究既没有经过同行评审，也没有设计成具有全国代表性，一些在大众媒体上获得最多关注的统计数据是基于非常小的数字。

也就是说，将Engemann详细介绍的研究方法与长期跟踪同一受试者的纵向研究相结合，可能有助于研究人员和临床医生更好地处理社交媒体对用户精神状态和健康的实际影响。

“我认为社交媒体的难点在于我们没有正确的输入，”研究人员、《心理健康护理的人工智能:临床应用、障碍、促进因素和人工智慧》(Artificial Intelligence for Mental Health Care: Clinical Applications, obstacle, facilators, and Artificial Wisdom)的合著者约翰·托勒斯博士说。去年发表的一篇研究文章探索了如何使用人工智能协助心理学家进行心理健康问题的临床诊断、预后和治疗。

Torous说，将ML模型应用于这些健壮的数据集可能会给研究人员带来显著的好处。他说:“如果你看看几乎每一篇当前的(研究)论文，就会发现它们只会(专注于)具有曝光度的截面数据。”然而，纵向研究往往非常复杂，有许多时间上的相互作用和许多依赖性，可能包括以下的个别受试者数年。“这就是我认为机器学习模型非常有用的地方，”Torous说，并补充道，“我们必须捕捉社交媒体曝光和(受试者)情绪状态的纵向数据。”

据Torous说，另一个关键挑战是围绕心理健康问题报告的文化层面。“文化部分让它变得非常棘手，因为来自不同文化的人报告的症状可能不同。”

Sonde Health (Sonde Health)正在评估一种可能有助于缓解自我报告的文化和个人问题的方法。www.sondehealth.com)，这家科技公司利用用户声纹中的标记作为多种身体和精神健康状况的指标。该公司通过专注于人类声音的声学方面来开发生物标记物，提取长度从6秒到30秒的语音样本，然后将每个样本分解为最基本的元素。Sonde开发了一种算法，将4000多种声学声音特征与正常声音和被诊断患有特定疾病或状况的人的声音数据库进行匹配。因此，特定的声音特征可以用来预测心理或身体健康状况。

Sonde的首席执行官David Liu说，他的公司已经分离出四五十几种声学特征，这些特征表明一个人的精神健康可能有问题，表明这个人应该考虑进行评估，不过Liu说，这项技术并不是设计来进行实际的精神健康诊断的。

刘说:“我们有六个特定的声音特征，可以让我们了解是否有什么需要注意的地方。”“现在，我们不是在诊断抑郁症;我们并不是在诊断焦虑，但这六个特征——声音的平滑、控制、活泼、活力、范围和清晰度——都是经过充分研究的声音特征，根据之前发表的研究，我们知道什么在正常范围内，什么不在。我们现在所做的是将该产品投入临床试验研究，这样我们就可以看看是否可以将其与其他一些被广泛接受的评估相匹配。”

该公司正与高通(Qualcomm)等移动设备芯片组制造商密切合作，将该技术嵌入设备固件中，以便在特定应用程序中激活或禁用设备。这将允许在一天的正常流程中捕获语音信息，刘说这是更自然的，可能会导致更多的数据被捕获不仅通过社交媒体网站，而且从多人游戏，聊天或其他通信。

“当你在TikTok上说话时，或使用Zoom或任何ip驱动的应用程序时，你需要能够在人们做任何事情时捕捉声音样本;你不想打断别人说，‘嘿，跟我说说你今天过得怎么样’，因为这有点做作。”“如果我们有足够多的这种声音样本，我们就可以开始产生这些见解，并向他们暗示，因为你一直在使用这种(服务)，它对你的心理健康产生了影响，你不会因为连续花10个小时在社交媒体上而感觉良好。”

---

显示一个人精神状态变化的纵向数据可能表明他有心理健康问题，而不仅仅是一天过得不好。

---

刘指出，Sonde不捕捉或分析声音样本的内容，只捕捉声学标记;从隐私的角度来看，这可能会让制造商和用户都更喜欢这项技术。此外，虽然刘说Sonde的技术不依赖于纵向数据，因为它收集了来自不同国家和文化的大量人群的语音数据，但在进行长期健康评估时，使用纵向数据是有益的。

“现在,当我们有纵向数据,这意味着用户得到一个基线,然后我们再测量一下,一天后,两天后,和一个星期后,然后我们可以理解这些变化,这让我们的技术更加强大从监督的角度来看,当我们有基线,”刘说,他指出,纵向数据显示一个人的精神状态的变化可以指示性的心理健康问题,而不是一个仅仅拥有一个糟糕的一天。

考虑到人们潜在的巨大隐私问题，以及围绕着心理健康的社会耻辱，任何一种心理健康评估的关键挑战之一是让人们同意被跟踪或被研究。

“我们该如何建立这些真正庞大的数据集?”Torous问道。他指出，作为一名研究人员和临床医生，他需要去那些积累此类数据的公司(如Facebook)，以获取能够产生有意义的研究结果的大规模数据。Torous说，缺乏信任仍然是一个巨大的问题，让人们愿意参与任何形式的心理健康监测可能需要开发一个独立的、专注于健康的平台。

“我想知道我们是否将不得不建立真正为健康而建的新系统;它不会是一个社交平台、广告平台或购物平台，”Torous说，并指出研究人员需要从这些数据中提供临床可操作的见解，这些见解是有用的，并专注于一个非常有针对性的问题。此外，关注心理健康的一个症状，如认知，可能被证明是有用的，因为与询问热点问题，如抑郁、自杀或其他更直接的心理健康指标或状况相比，询问认知并不会带来同样的耻辱。

进一步的阅读

Dadi, K.， Engemann, D.等。
使用机器学习的人口模型可以增强心理健康的度量。GigaScience，第10卷，第10期，2021年10月，giab071https://doi.org/10.1093/gigascience/giab071

李，e.e.， Torous, J.等。
《精神卫生保健的人工智能:临床应用、障碍、促进因素和人工智能》，生物精神病学:认知神经科学和神经影像学, 2021年2月。DOI:https://doi.org/10.1016/j.bpsc.2021.02.001

苏春春、徐志强、帕塔克、王芳。
深度学习在心理健康结果研究中的应用精神病学Transl 10116(2020)。https://doi.org/10.1038/s41398-020-0780-3

A.提姆，D.贝尔格雷夫，G.多尔蒂。
机器学习在心理健康:HCI文献的系统回顾，以支持有效和可实施的ML系统的开发，计算机与人互动汇刊2020年10月，第5期，第27卷: 34页，pp 1-53;https://doi.org/10.1145/3398069

Zauner, H。
心理健康评估的人工智能:作者问答，Giga科学2021年10月14日，http://gigasciencejournal.com/blog/ai-for-mental-health/

回到顶部

数字图书馆是由计算机协会出版的。版权所有©2022 ACM, Inc.

---

没有发现记录