李飛飛新論文「AI醫生」診斷抑鬱症，準確率超過80％，可移植到手機端

郭一璞 假裝發自 斯坦福

量子位 報道 | 公眾號 QbitAI

在全世界範圍內，有超過3億人患有抑鬱症。其中的60%的人都沒有接受任何治療。

我們時有聽到名人患抑鬱症甚至嚴重到自殺的消息，卻不知周圍一些普通人身在病中不知病。

面對這一病症，AI能做些什麼？

曾經說過「AI沒有國界，AI的福祉亦無邊界」的李飛飛老師這次要為那些懷疑自己患抑鬱症的人創造福祉了，這次她和團隊瞄準了AI診斷抑鬱症這個方向：

結合語音識別、計算機視覺和自然語言處理技術，通過表情和語言診斷一個人是否患了抑鬱症。

目前，這項研究初見成效，診斷抑鬱症的機器學習模型目前precision達到83.3%，recall達到82.6%。

並且，這個模型可以部署到手機上，讓更多人能方便的診斷抑鬱症，不再受困於「沒錢」、「沒時間」、「別人知道我去查抑鬱症會怎麼議論我」的阻撓之中。

另外，這項研究成果還入選了NIPSNeurIPS 2018醫療健康機器學習（ML4H）Workshop。

下面，量子位為大家詳細介紹李飛飛這篇新作品的具體內容。

為什麼用表情和語言能診斷抑鬱症？

因為醫生就是這麼乾的。

在目前的抑鬱症診斷過程中，醫生需要和患者面對面聊天，來判斷對方是否患病。

需要醫生來觀察的要素包括：

對方是否語調單一，完全不抑揚頓挫；

說話音量是否比較低；

講話時手勢是不是比正常人少；

是不是總愛低頭向下看；

……

另外，還需要通過患者健康問卷（PHQ, Patient Health Questionnaire）來調查來了解更詳細的信息。

用AI來診斷抑鬱症，就相當於用機器學習模型來代替那個和患者對話的醫生，把患者在醫生面前的表現變成數據，輸入機器學習模型中。

因此，李飛飛團隊採用的方案是先模型中輸入3D面部關鍵點視頻、患者說話的音頻和轉成文字的訪談錄音三種數據，分別對應下圖中的abc三行。

之後，輸出PHQ評分或抑鬱症分類標籤，就能得出此人是否患了抑鬱症。

訓練模型全過程

訓練這個模型用到的是DAIC-WOZ數據集，包括142名患者的PHQ評分和189次臨床訪談、總共50小時的數據。

整個模型由兩個部分組成。

第一個部分叫句子級嵌入（Sentence-Level Embeddings）。

以往的嵌入方式都是嵌入一個音節或單詞，只能捕捉幾百毫秒的時間。李飛飛團隊用的是整個句子多模態嵌入，可以實現捕捉更長時間的聲音、視覺和語言元素。

下圖就是多模態句子級嵌入的示例：

第二個部分叫因果卷積網路（C-CNN, Causal Convolutional Networks）。

之所以用因果卷積網路，是因為抑鬱症患者說話慢。

相比普通人，抑鬱症患者說話的時候會在不同的字詞之間停頓更長時間，因此整個句子的音視頻也就比較長。處理這種長句子的時候，因果卷積網路要比RNN強。

效果如何

我們來看一下實驗結果。

其中，A是指輸入數據為音頻，V是指輸入數據為視頻，L是指輸入數據為文本。

對比前人的實驗結果，李飛飛的這項新研究數據上相對較高。不過，與前人不同的是，這項新研究並不依賴一些預先做好的訪談記錄，所以來的背景資料更少。並且，這項新研究無需特徵工程，可以直接用輸入原始數據。

這張實驗結果表格對比了使用不同嵌入方式的結果。其中，前兩行是手工嵌入，第3~6行是預訓練嵌入，最後兩行是我們用到的句子級嵌入，輸入的是log-mel光譜圖、3D面部關鍵點視頻和Word2Vecs的序列。

傳送門

論文：

Measuring Depression Symptom Severity from Spoken Language and 3D Facial Expressions

Albert Haque, Michelle Guo, Adam S Miner, Li Fei-Fei

https://arxiv.org/abs/1811.08592

—完—

年度評選申請

加入社群

量子位AI社群開始招募啦，歡迎對AI感興趣的同學，在量子位公眾號（QbitAI）對話界面回復關鍵字「交流群」，獲取入群方式；

此外，量子位專業細分群(自動駕駛、CV、NLP、機器學習等)正在招募，面向正在從事相關領域的工程師及研究人員。

進專業群請在量子位公眾號（QbitAI）對話界面回復關鍵字「專業群」，獲取入群方式。（專業群審核較嚴，敬請諒解）

誠摯招聘

量子位正在招募編輯/記者，工作地點在北京中關村。期待有才氣、有熱情的同學加入我們！相關細節，請在量子位公眾號(QbitAI)對話界面，回復「招聘」兩個字。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！