AI-system kan förutsäga hur orolig du är utifrån reaktioner på foton

Tänk dig att kunna förutsäga någons ångestnivå bara genom att låta dem betygsätta några bilder och svara på några enkla frågor.

Det är precis vad forskare från University of Cincinnati och Northwestern University har åstadkommit med sitt "Comp Cog AI"-system. 

Genom att kombinera AI med vetenskapen om hur våra sinnen bearbetar information har de skapat ett verktyg som exakt kan identifiera personer som kanske kämpar med ångest. 

Den studiesom publicerades i Mental Health Research, omfattade över 3.000 deltagare från hela USA.

Varje person bedömde en serie milt känslomässiga bilder från International Affective Picture System (IAPS) och lämnade grundläggande information om sig själv, såsom ålder och upplevd ensamhet. 

IAPS har utvecklats av Center for the Study of Emotion and Attention vid University of Florida. Den innehåller en standardiserad uppsättning fotografier som bedöms utifrån sitt emotionella innehåll i termer av valens (behaglighet), upphetsning (intensitet) och dominans (kontroll).

AI-systemet analyserade sedan dessa data och letade efter mönster i hur människor reagerade på bilderna och hur dessa reaktioner var relaterade till deras ångestnivåer. 

Efter träning kunde AI-systemet Comp Cog förutspå ångest med upp till 81% noggrannhet, vilket ger hopp om en framtid där psykiska problem kan identifieras med hjälp av lätta självbetjäningssystem. 

Som huvudförfattare Sumra Bari förklarar, "Vi använde minimala beräkningsresurser och en liten uppsättning variabler för att förutsäga ångestnivåer. En viktig uppsättning av dessa variabler kvantifierar processer som är viktiga för omdömet."

Mer om studien

Här är mer information om hur studien gick till:

1. Insamling av data: Deltagarna genomförde en bildbedömningsuppgift och tilldelade betyg från -3 (tycker mycket illa om) till +3 (tycker mycket om) till 48 milt känslomässiga bilder från IAPS. De svarade också på frågor om sin ålder, upplevd ensamhet och demografisk information.
2. Extrahering av funktioner: AI-systemet extraherade 15 viktiga bedömningsvariabler från bildernas betygsdata, t.ex. förlustaversion, riskaversion och belöningsaversion. Dessa variabler kvantifierar skevheter i bedömningar av belöning/aversion och har kopplats till hjärnsystem som är inblandade i både bedömning och ångest.
3. AI-utbildning och prediktion: Forskarna använde maskininlärningsalgoritmerna Random Forest och balanced Random Forest för att träna AI-systemet på en delmängd av data. AI använde bedömningsvariablerna och kontextuella faktorer för att förutsäga varje deltagares ångestnivå, mätt med den statliga ångestdelen av State-Trait Anxiety Inventory (STAI).
4. Utvärdering och tolkning av modeller: Det utbildade AI-systemet testades på de återstående uppgifterna för att bedöma dess noggrannhet, känslighet och specificitet när det gäller att förutsäga ångestnivåer. Forskarna genomförde också medierings- och modereringsanalyser för att förstå hur bedömningsvariablerna och de kontextuella faktorerna samverkade för att modellera ångest.

De fyra viktigaste prediktorerna - ålder, ensamhet, hushållsinkomst och anställningsstatus - bidrog med 29-31% av modellens prediktiva kraft, medan de 15 bedömningsvariablerna tillsammans bidrog med 55-61%.

Författaren Aggelos Katsaggelos framhöll betydelsen av studiens tillvägagångssätt och sa: "Att använda en bildbedömningsuppgift med kontextuella variabler som påverkar bedömningen kan verka enkelt, men genom att förstå mönster i preferenser kan vi avslöja de kritiska komponenterna för en stor uppsättning beteenden."

Forskarna tänker sig att Comp Cogs AI-teknik ska utvecklas till en användarvänlig app för vårdgivare, sjukhus och till och med militären för att snabbt kunna identifiera personer med hög risk för ångest. 

Som Bari konstaterar: "Bildskattningsuppgiften kan användas för att ta fram dagliga och opartiska ögonblicksbilder av en persons psykiska hälsa utan att ställa direkta frågor som kan utlösa negativa eller upprörande känslor." 

Tidigare forskning utnyttjade AI för att hjälpa till att diagnostisera schizofreni, medan verktyg har utvecklats för att leverera AI-terapi till personer med psykiska problem genom digitala avatarer.