Tenk deg å kunne forutsi en persons angstnivå bare ved å få vedkommende til å vurdere noen bilder og svare på noen enkle spørsmål.
Det er akkurat det forskere fra University of Cincinnati og Northwestern University har fått til med sitt "Comp Cog AI"-system.
Ved å kombinere kunstig intelligens med vitenskapen om hvordan hjernen vår behandler informasjon, har de skapt et verktøy som nøyaktig kan identifisere personer som sliter med angst.
Den studiepublisert i Mental Health Research, involverte over 3000 deltakere fra hele USA.
Hver person vurderte en rekke mildt emosjonelle bilder fra International Affective Picture System (IAPS) og oppga grunnleggende informasjon om seg selv, for eksempel alder og opplevd ensomhet.
IAPS ble utviklet av Center for the Study of Emotion and Attention ved University of Florida. IAPS består av et standardisert sett med fotografier som er vurdert etter emosjonelt innhold i form av valens (behag), arousal (intensitet) og dominans (kontroll).
AI-systemet analyserte deretter disse dataene og så etter mønstre i måten folk reagerte på bildene på, og hvordan disse reaksjonene var relatert til angstnivået deres.
Etter opplæring kunne Comp Cog AI-systemet forutsi angst med en nøyaktighet på opptil 81%, noe som gir håp om en fremtid der psykiske helseutfordringer kan identifiseres ved hjelp av lette selvbetjeningssystemer.
Som hovedforfatter Sumra Bari forklarer"Vi brukte minimale beregningsressurser og et lite sett med variabler for å forutsi angstnivå. Et viktig sett av disse variablene kvantifiserer prosesser som er viktige for dømmekraften."
Mer om studien
Her kan du lese mer om hvordan studien fungerte:
- Innsamling av data: Deltakerne fullførte en bildevurderingsoppgave, der de tildelte karakterer fra -3 (liker svært dårlig) til +3 (liker svært godt) til 48 mildt emosjonelle bilder fra IAPS. De svarte også på spørsmål om alder, opplevd ensomhet og demografisk informasjon.
- Funksjonsutvinning: AI-systemet hentet ut 15 viktige vurderingsvariabler fra bildevurderingsdataene, for eksempel tapsaversjon, risikoaversjon og konsistens mellom belønning og aversjon. Disse variablene kvantifiserer skjevheter i vurderinger av belønning/aversjon og har blitt knyttet til hjernesystemer som er involvert i både dømmekraft og angst.
- AI-trening og prediksjon: Forskerne brukte Random Forest- og balansert Random Forest-maskinlæringsalgoritmer for å trene AI-systemet på en delmengde av dataene. AI-en brukte vurderingsvariablene og kontekstuelle faktorer til å forutsi hver enkelt deltakers angstnivå, målt ved hjelp av tilstandsangstdelen av State-Trait Anxiety Inventory (STAI).
- Evaluering og tolkning av modellen: Det opplærte AI-systemet ble testet på de gjenværende dataene for å vurdere nøyaktigheten, sensitiviteten og spesifisiteten når det gjaldt å forutsi angstnivåer. Forskerne gjennomførte også medierings- og moderasjonsanalyser for å forstå hvordan vurderingsvariablene og kontekstuelle faktorer samvirket for å modellere angst.
De fire viktigste prediktorene - alder, ensomhet, husstandsinntekt og arbeidsstatus - bidro med 29-31% av modellens prediksjonskraft, mens de 15 vurderingsvariablene til sammen bidro med 55-61%.
Medforfatter Aggelos Katsaggelos fremhevet betydningen av studiens tilnærming og sa: "Bruk av en bildevurderingsoppgave med kontekstuelle variabler som påvirker dømmekraften, kan virke enkelt, men ved å forstå mønstre i preferanser kan vi avdekke de kritiske komponentene for et stort sett av atferd."
Forskerne ser for seg å utvikle Comp Cog AI-teknologien til en brukervennlig app for helsepersonell, sykehus og til og med militæret, slik at de raskt kan identifisere personer med høy risiko for angst.
Som Bari bemerker: "Bildevurderingsoppgaven kan brukes til å produsere daglige og objektive øyeblikksbilder av en persons psykiske helsetilstand uten å stille direkte spørsmål som kan utløse negative eller opprivende følelser."
Tidligere forskning har utnyttet AI til å bidra til å diagnostisere schizofreni, mens det er utviklet verktøy for å tilby AI-terapi til personer med psykiske lidelser gjennom digitale avatarer.
