AI har lært at se selvmordstendenser fra hjernescanninger

Kategori: Ikke kategoriseret Udsendt 30. okt

Selvmord er anden førende dødsårsag blandt unge mellem 15 og 34 år i USA, og klinikere har begrænsede værktøjer til at identificere dem, der er i fare. En ny maskinlæringsteknik dokumenteret i et papir offentliggjort i dag i Naturen Menneskelig adfærd (PDF) kunne hjælpe med at identificere dem, der lider af selvmordstanker.

Forskere så på 34 unge voksne, jævnt fordelt mellem selvmordsdeltagere og en kontrolgruppe. Hvert individ gennemgik en funktionel magnetisk resonansbilleddannelse (fMRI) og blev præsenteret for tre lister med 10 ord. Alle ordene var relateret til selvmord (ord som død, nødstedt eller dødelig), positive effekter (bekymring, venlighed, uskyld) eller negative effekter (kedsomhed, ondskab, skyldig). Forskerne brugte også tidligere kortlagte neurale signaturer, der viser hjernemønstrene af følelser som skam og vrede.

Fem hjerneplaceringer, sammen med seks af ordene, viste sig at være de bedste markører til at skelne de suicidale patienter fra kontrollerne. Ved at bruge netop disse steder og ord trænede forskerne en maskinlæringsklassifikator, der var i stand til korrekt at identificere 15 af de 17 selvmordspatienter og 16 ud af 17 kontrolpersoner.

Forskerne delte derefter de suicidale patienter op i to grupper, dem der havde forsøgt selvmord (ni personer) og dem der ikke havde gjort det (otte personer), og trænede en ny klassifikator, der var i stand til korrekt at identificere 16 af de 17 patienter.

Resultaterne viste, at raske patienter og dem med selvmordstanker viste markant forskellige reaktioner på ord. For eksempel, da de suicidale deltagere fik vist ordet død, lyste skamområdet i deres hjerne mere op, end det gjorde i kontrolgruppen. Ligeledes fremkaldte ballade også mere aktivitet på tristhedsområdet.

Dette er blot den seneste indsats, der har til formål at bringe AI ind i psykiatrien. Forskere arbejder på maskinlæringsprojekter, der spænder fra at analysere MRI'er til at forudsige alvorlig depressiv lidelse til at udvælge PTSD fra folks talemønstre. Tidligere i år, Kablet skrev om forskere, der byggede et system, der kan gennemsøge sundhedsjournaler for at markere en person, der er i fare for at begå selvmord, med mellem 80 og 90 procents nøjagtighed. Facebook bruger tekstmining til at identificere brugere med risiko for selvmord eller selvskade og derefter pege dem på mentale sundhedsressourcer (se Store spørgsmål omkring Facebooks værktøjer til selvmordsforebyggelse).

Kunstig intelligens har allerede skabt bølger på det medicinske område som helhed. Der er algoritmer så gode til at opdage tumorer og andre problemer i CT-scanninger, at Geoffrey Hinton, en af ​​de førende forskere inden for deep learning, fortalte New Yorker at radiologer i sidste ende står uden arbejde. Faktisk, sagde han, skulle de stoppe med at uddanne radiologer nu.

I dette tilfælde er forskningen mere tilbøjelig til at inspirere til nye menneskedrevne terapier end at sætte et helt felts værdi af læger uden arbejde. Papiret påpegede, at identifikation af forskellige mønstre og områder kunne foreslå nye regioner at målrette for hjernestimuleringsteknikker. At identificere særlige følelsesmæssige reaktioner på selvmordsrelaterede termer kan også være nyttigt for psykoterapeuter, der behandler deres patienter.