연구자들은 인공지능을 사용해 우울증을 진단한다

우울증은 가장 흔한 정신 질환 중 하나입니다. 전 세계적으로 2억 8천만 명이 이 질병에 시달리고 있으며, 카우나스 공과대학(KTU)의 연구원들이 음성과 뇌 신경 활동을 기반으로 우울증을 식별하는 데 도움이 되는 인공지능(AI) 모델을 개발한 이유입니다. 두 가지 다른 데이터 소스를 결합한 이 다중 모드 접근 방식은 사람의 감정 상태를 보다 정확하고 객관적으로 분석할 수 있게 해주며, 우울증 진단의 새로운 단계로의 문을 열어줍니다.

"우울증은 가장 흔한 정신 질환 중 하나로 개인과 사회 모두에 파괴적인 결과를 초래합니다. 그래서 우리는 앞으로 모든 사람이 이용할 수 있는 새롭고 객관적인 진단 방법을 개발하고 있습니다." KTU 교수이자 이 발명의 저자 중 한 명인 라이티스 마스켈리우나스의 말입니다.

과학자들은 우울증에 대한 대부분의 진단 연구가 전통적으로 단일 유형의 데이터에 의존해 온 반면, 새로운 다중 모드 접근 방식은 개인의 감정 상태에 대한 더 나은 정보를 제공할 수 있다고 주장합니다.

음성 및 뇌 활동 데이터를 활용한 인상적인 정확도

음성과 뇌 활동 데이터를 결합한 이 방법은 우울증 진단에서 인상적인 97.53%의 정확도를 달성하여 대체 방법을 크게 앞지르고 있습니다. Maskeliūnas는 "음성이 아직 뇌에서 추출할 수 없는 데이터를 연구에 추가하기 때문입니다."라고 설명합니다.

발명에 기여한 KTU 박사과정 학생인 Musyyab Yousufi에 따르면, 데이터 선택은 신중하게 고려되었습니다. "얼굴 표정이 사람의 심리적 상태에 대해 더 많이 드러낼 수 있다고 믿어지지만, 이는 매우 쉽게 반증할 수 있는 데이터입니다. 우리는 음성을 선택했는데, 음성은 감정 상태를 미묘하게 드러낼 수 있고, 진단은 말의 속도, 음조, 전반적인 에너지에 영향을 미치기 때문입니다."

또한 전기적 뇌 활동(EEG)이나 음성 데이터와 달리 얼굴은 어느 정도까지 사람의 심각도 상태를 직접 식별할 수 있습니다. "하지만 환자의 프라이버시를 침해할 수는 없으며, 여러 출처에서 데이터를 수집하고 결합하는 것이 향후 활용에 더 유망합니다." KTU 정보학부(IF)의 교수가 말했습니다.

마스켈리우나스는 사용된 EEG 데이터 세트가 정신 장애 분석을 위한 다중 모드 오픈 데이터 세트(MODMA)에서 얻은 것이라고 강조한다. KTU 연구 그룹은 의학 분야가 아닌 컴퓨터 과학을 대표하기 때문입니다.

참가자들이 깨어 있고, 쉬고 있고, 눈을 감고 있는 동안 5분 동안 MODMA EEG 데이터를 수집하여 기록했습니다. 실험의 오디오 부분에서 환자들은 질문과 답변 세션에 참여했고, 자연스러운 언어와 인지 상태를 포착하기 위해 그림을 읽고 설명하는 데 초점을 맞춘 여러 활동을 했습니다.

AI는 진단을 정당화하는 방법을 배워야 한다

수집된 EEG 및 오디오 신호는 스펙트로그램으로 변환되어 데이터를 시각화할 수 있었습니다. 특수 노이즈 필터와 사전 처리 방법을 적용하여 데이터를 노이즈 없이 비교 가능하게 만들었고, 수정된 DenseNet-121 딥 러닝 모델을 사용하여 이미지에서 우울증 징후를 식별했습니다. 각 이미지는 시간에 따른 신호 변화를 반영했습니다. EEG는 뇌 활동의 파형을 보여주었고, 사운드는 주파수와 강도 분포를 보여주었습니다.

이 모델에는 데이터를 건강한 사람과 우울증 환자의 클래스로 나누도록 훈련된 사용자 지정 분류 계층이 포함되었습니다. 성공적인 분류가 평가되었고 그런 다음 응용 프로그램의 정확도가 평가되었습니다.

미래에 이 AI 모델은 우울증 진단을 가속화하거나 원격으로 진행할 수 있으며 주관적 평가의 위험을 줄일 수 있습니다. 이를 위해서는 추가적인 임상 시험과 프로그램 개선이 필요합니다. 그러나 Maskeliūnas는 연구의 후반 측면이 몇 가지 과제를 제기할 수 있다고 덧붙였습니다.

"이러한 연구의 가장 큰 문제는 사람들이 정신 건강 문제에 대해 비밀을 유지하는 경향이 있어 데이터가 부족하다는 것입니다."라고 그는 말했습니다.

KTU 멀티미디어 공학과 교수가 언급한 또 다른 중요한 측면은 알고리즘이 정확할 뿐만 아니라 의료 전문가에게 이 진단 결과를 이끌어낸 원인에 대한 정보를 제공할 수 있도록 개선되어야 한다는 것입니다. Maskeliūnas는 "알고리즘은 여전히 ​​진단을 이해할 수 있는 방식으로 설명하는 방법을 배워야 합니다."라고 말합니다.

KTU 교수에 따르면, 의료, 금융, 법률 시스템 등의 분야에서 사람들에게 직접적인 영향을 미치는 AI 솔루션에 대한 수요가 증가함에 따라 비슷한 요구 사항이 일반화되고 있습니다.

이것이 모델이 특정한 결정을 내리는 이유를 사용자에게 설명하고 AI에 대한 신뢰를 높이는 것을 목표로 하는 설명 가능 인공지능(XAI)이 현재 주목을 받고 있는 이유입니다.

출처: https://www.sciencedaily.com/releases/2024/11/241120121844.htm