Kan dit toneleje, din sætningsopbygning og de antal pauser du tager, afsløre, om du har en depression eller lider af f.eks. skizofreni? Ja, har tidligere studier vist. Men et nyt studie fra Aarhus Universitet viser nu, at virkeligheden bag vores talemønstre er meget mere kompleks, end man hidtil har antaget. Ph.d.-studerende Lasse Hansen fra Institut for Klinisk Medicin på Aarhus Universitet står bag studiet, og han opfordrer til at holde målet for øje, hvis læger vil benytte sig af værktøjer som kunstig intelligens til at lytte efter psykiske sygdomme i vores talemønstre.

”I studiet analyserede vi tale fra mennesker med flere mentale lidelser. Vi fandt, at forskellene i hvordan man taler, og hvad man siger, ikke nødvendigvis er specifikke til den enkelte diagnose, som hidtil antaget. Med andre ord kan man ikke nødvendigvis stole på, at tidligere fundne markører for f.eks. depression rent faktisk indikerer depression, men i stedet måske nærmere peger på en mere generel sygdomstilstand, eller indikerer symptomer der kan være til stede ved flere forskellige lidelser.”

Studiet analyserede 3000 lydoptagelser fra 420 personer, hvoraf nogle havde diagnoser som autisme, depression eller skizofreni, mens andre var kontrolpersoner uden en mental diagnose. 

Deltagerne skulle beskrive, hvad de så på otte-ti videoer, hvorefter forskerne trænede en kunstig intelligens med de over 3000 optagelser til at genkende sygdomsspecifikke måder at tale på. Men det var ikke alle diagnoser den kunstige intelligens ramte plet på, fortæller Lasse Hansen:

”Hvis den skal skelne mellem en deprimeret person og en person uden psykiatriske symptomer, så performer den godt, men når situationen bliver mere virkelighedsnær, og der skal skelnes mellem mennesker med flere forskellige komplekse diagnoser, så falder præcisionen med cirka 30%.”

Kunstig intelligens bør bruges til at finde symptomer, ikke diagnoser

Flere virksomheder og forskere arbejder allerede på at udvikle kunstig intelligens, som kan bruges til at stille diagnoser baseret på netop talemønstre. Men det er vigtigt, de ikke tager for givet, at den kunstige intelligens kan trænes til at give præcise diagnoser, siger Riccardo Fusaroli, lektor i Cognitive Science ved Aarhus Universitet der er sidste-forfatter på studiet.

“Potentialet i stemme- og tale-markører er nok nærmere som støtteværktøj i udredningsprocessen, ved fx at identificere potentielle symptomer og kognitive svækkelse, end direkte diagnostik.”

Derfor opfordrer Roberta Rocca, adjunkt og medleder på projektet, til, at både industrien og forskerne tager metoderne helt op til revision.

”Vi opfordrer derfor til, at feltet sadler om og begynder at fokusere mere på klinisk relevans, f.eks. ved at se på flere diagnosegrupper på samme tid og at flytte fokus fra at forudsige brede og komplekse diagnosegrupper som f.eks. skizofreni og depression til et fokus på mere specifikke symptomer.”
 

Bag om forskningsresultatet

• Studietype: machine learning/kunstig intelligens på både tekst (transskriberede optagelser) og rå lydfiler. Kohortestudie
• Samarbejdspartnere er alle fra AU
• Delvist finansieret af seed funding fra Interacting Minds Centre (”Clinical voices”).
• Riccardo Fusaroli har været betalt for konsulentarbejde hos F. Hoffman-La Roche om relaterede emner. Lasse Hansen har været i praktik ved F. Hoffman-La Roche om et relateret emne.
• Læs mere i den videnskabelige artikel: rdcu.be/dqHDo

Kontakt

Ph.d.-studerende, Lasse Hansen
Afdeling for Depression og Angst, Institut for Klinisk Medicin, Health, Aarhus Universitet
Mail: lasse.hansen@clin.au.dk
Telefon:+4587169027