Pembelajaran Mesin Dapat Membantu Meramalkan Psikosis Melalui Analisis Bahasa

Kaedah pembelajaran mesin yang baru dapat meramalkan dengan ketepatan 93 peratus sama ada seseorang yang berisiko untuk mengalami psikosis akan terus mengembangkan gangguan tersebut.

Kaedah yang dikembangkan oleh para saintis di Emory University dan Harvard University, mendapati bahawa penggunaan kata yang lebih tinggi daripada biasa yang berkaitan dengan bunyi, digabungkan dengan kadar penggunaan kata yang lebih tinggi dengan makna yang serupa, bermaksud bahawa psikosis mungkin terjadi di cakrawala.

Bahkan doktor terlatih tidak menyedari bagaimana orang yang berisiko mengalami psikosis menggunakan lebih banyak kata yang berkaitan dengan suara daripada rata-rata, walaupun persepsi pendengaran yang tidak normal adalah tanda amaran awal.

"Mencuba mendengar kehalusan ini dalam perbualan dengan orang seperti cuba melihat kuman mikroskopik dengan mata anda," kata Neguine Rezaii, pengarang pertama makalah tersebut. "Teknik automatik yang kami kembangkan adalah alat yang sangat sensitif untuk mengesan corak tersembunyi ini. Ia seperti mikroskop untuk memberi amaran tanda-tanda psikosis. "

Permulaan skizofrenia dan gangguan psikotik lain biasanya berlaku pada awal 20-an, dengan tanda amaran awal - dikenali sebagai sindrom prodromal - bermula sekitar usia 17. Sekitar 25 hingga 30 peratus orang muda dengan sindrom prodromal akhirnya akan menghidap skizofrenia atau gangguan psikotik yang lain.

Pada masa ini, tidak ada penawar untuk psikosis. Melalui temu bual berstruktur dan ujian kognitif, doktor terlatih dapat meramalkan psikosis dengan ketepatan sekitar 80 peratus pada mereka yang mengalami sindrom prodromal.

Sekarang, penyelidikan dengan pembelajaran mesin, satu bentuk kecerdasan buatan yang dapat mengungkap corak tersembunyi, adalah salah satu usaha berterusan untuk menyelaraskan kaedah diagnostik, mengenal pasti pemboleh ubah baru, dan meningkatkan ketepatan ramalan.

"Sebelumnya diketahui bahawa ciri-ciri halus psikosis masa depan terdapat dalam bahasa orang, tetapi kami telah menggunakan pembelajaran mesin untuk benar-benar mengungkap perincian tersembunyi mengenai ciri-ciri itu," kata pengarang kanan Phillip Wolff, seorang profesor psikologi di Emory. Makmal Wolff memfokuskan pada semantik bahasa dan pembelajaran mesin untuk meramalkan pengambilan keputusan dan kesihatan mental.

Untuk kajian ini, para penyelidik pertama kali menggunakan pembelajaran mesin untuk menetapkan "norma" untuk bahasa percakapan. Mereka memberi program perisian komputer perbualan dalam talian 30,000 pengguna Reddit, sebuah platform media sosial di mana orang mempunyai perbincangan tidak rasmi mengenai pelbagai topik.

Program perisian, yang dikenali sebagai Word2Vec, menggunakan algoritma untuk mengubah kata-kata individu menjadi vektor (istilah matematik yang merujuk kepada kedudukan satu titik di ruang relatif dengan yang lain). Dengan kata lain, program menetapkan setiap perkataan ke lokasi di ruang semantik berdasarkan maknanya. Kata-kata dengan makna yang serupa diposisikan lebih dekat daripada yang mempunyai makna yang sangat berbeza.

Makmal Wolff juga mengembangkan program komputer untuk melakukan "pembongkaran vektor," atau analisis kepadatan semantik penggunaan kata. Pembongkaran vektor membolehkan para penyelidik mengukur berapa banyak maklumat yang dimasukkan ke dalam setiap ayat.

Setelah menghasilkan data asas "normal", para penyelidik menggunakan teknik yang sama untuk wawancara diagnostik terhadap 40 orang muda yang berisiko tinggi untuk mengalami psikosis. Analisis automatik sampel peserta kemudian dibandingkan dengan sampel asas biasa.

Hasilnya menunjukkan bahawa penggunaan kata-kata yang berhubungan dengan suara lebih tinggi daripada biasa, bersamaan dengan tingkat penggunaan kata yang lebih tinggi dengan makna yang serupa, berarti psikosis cenderung terjadi.

Kekuatan kajian merangkumi kesederhanaan menggunakan hanya dua pemboleh ubah - kedua-duanya mempunyai asas teori yang kuat - replikasi hasil dalam set data penahanan, dan ketepatan ramalannya yang tinggi, di atas 90 peratus.

"Dalam bidang klinikal, kita sering kurang tepat," kata Rezaii. "Kami memerlukan cara yang lebih kuantitatif dan objektif untuk mengukur pemboleh ubah halus, seperti yang tersembunyi dalam penggunaan bahasa."

Rezaii dan Wolff kini mengumpulkan kumpulan data yang lebih besar dan menguji penerapan kaedah mereka pada pelbagai penyakit neuropsikiatrik, termasuk demensia.

"Penyelidikan ini menarik bukan hanya untuk potensinya untuk mengungkap lebih banyak mengenai penyakit mental, tetapi untuk memahami bagaimana minda berfungsi - bagaimana ia menyatukan idea," kata Wolff. "Teknologi pembelajaran mesin berkembang begitu pesat sehingga memberi kita alat untuk data yang menambang pikiran manusia."

Pengarang bersama Elaine Walker, profesor psikologi dan neurosains Emory, mengatakan "Sekiranya kita dapat mengenal pasti individu yang berisiko lebih awal dan menggunakan intervensi pencegahan, kita mungkin dapat membalikkan kekurangannya."

Penemuan ini diterbitkan dalam jurnal npj Skizofrenia.

Sumber: Sains Kesihatan Emory