Искусственный интелект в психиатрии

Для пациента и его родственников

Что такое "искусственный интеллект" и кто был автором этого термина? Чем "машинное обучение" отличается от "глубокого обучения"?  Почему психиатра сложно заменить "искусственным интеллектом"?  Как "искусственный интеллект" помогает лечить шизофрению?

 Термин искусственный интеллект" был первоначально предложен ученым-компьютерщиком Джоном Маккарти, который определил его как «науку и технику создания интеллектуальных машин» (McCarthy J. 1989). Сегодня искусственный интеллект используется для ускорения выявления заболеваний и их лечения путем открытия инновационных методов лечения соматических, неврологических и психических расстройств. Примение исксусственного интеллекта возможно в нескольких вариантах. "Машинное обучение" - это исследование компьютерных алгоритмов, которые автоматически совершенствуются благодаря опыту и использованию данных. Это означает, что оно включает в себя алгоритмы, управляемые данными, для обучения на основе данных и, таким образом, для оценки новых данных или будущих событий. Здесь больше внимания уделяется генерированию гипотез, а не их движению (Graham S. et.al.,  2019). "Глубокое обучение" - класс алгоритмов машинного обучения, который использует несколько уровней для постепенного извлечения функций более высокого уровня из необработанных входных данных. При глубоком обучении каждый уровень учится преобразовывать входные данные в несколько более абстрактное и составное представление. Например, в приложении распознавания изображений необработанные входные данные могут представлять собой матрицу пикселей; первый репрезентативный уровень - абстрагирует пиксели и кодирует края; второй - составляет и кодирует расположение ребер; третий - кодирует извилины и борозды; а четвертый - распознать, что изображение принадлежит мозгу. Процесс глубокого обучения сам по себе определяет, какие функции на каком уровне оптимально разместить (Schmidhuber J., 2015). "Система экспертных знаний"  - компьютерная программа, использующая искусственный интеллект, предназначенная для решения сложных задач и обеспечения способности принимать оптимальные решения. Она реализует это путем извлечения знаний из своей базы, используя правила рассуждения и вывода в соответствии с запросами пользователя (Leondes, Cornelius, T., 2002). Специфика психиатрии и , тем более, психотерапии, зависит от "мягких навыков" врача, например, таких как формирование отношений с пациентом, наблюдение за его эмоциями и поведением, что затрудняет замену психиатра "искусственным интеллектом". Клинические данные о психическом здоровье в истории болезни пациента более субъективны и качественны, впрочем, также, как заявления пациентов и письменные записи. Примером достижений искусственного инетллекта в области психиатрии может быть терапия шизофрении с помощью виртуальной реальности, которая  обычно побуждает пациентов взаимодействовать с "голосами", которые они слышат, с помощью искусственного интеллекта-аватара или программа для соблюдения режима терапии шизофрении (Bain E., et.al., 2016).

Для врача

В каких областях медицины "искусственный интеллект" достиг наиболее впечатляющих результатов? Для чего необходим "искусственный интеллект" в психиатрии? 

 ."Нейронная сеть" в области "искусственного интеллекта" - взаимосвязанная группа искусственных нейронов, которая использует математическую или вычислительную модель для обработки информации, основанную на коннекционистском подходе к вычислениям. Это адаптивная система, которая меняет свою структуру на основе внешней или внутренней информации, проходящей через сеть, и может использоваться для моделирования сложных взаимосвязей между входными и выходными данными или для поиска закономерностей в данных (Hopfield J., 1982). Области медицины, которые добились наибольшего успеха в использовании искусственного интеллекта для распознавания образов, включают офтальмологию, онкологию и радиологию, где алгоритмы искусственного интеллекта работают на одном уровне, а в некоторых случаях даже лучше, чем опытные врачи при оценке изображений на наличие аномалий. В медицине "искусственный интеллект" используется для более быстрого выявления заболеваний, прогнозирования их прогрессирования, корректировки дозировок лекарств и поиска инновационных методов терапии. Например, сверточные нейронные сети использовались для автоматического обнаружения опухолей печени с помощью  компьютерной томографии и показали, как высокую точность, . Машинное обучение использовалось для сегментации плотности молочной железы при маммографии, и показало результаты, которые также точны, как и заключения врача (Kallenberg M., et.al., 2016). .Известно, что технологии, используемые в "искусственном интеллекте", стоят дорого, но его системы способны сократить количество ошибок в клинической практике и повысить эффективность работы психиатра. Помимо диагностических и прогностических целей, быстро развиваются виртуально воплощенные психотерапевтические устройства, поддерживаемые искусственным интеллектом, например, такие приложения, как Tess и другие «чат-боты», такие как Sara, Woebot и Wysa, которые работают с короткими сообщениями и обслуживают обмен текстовыми сообщениями. Эти приложения имеют интерактивный экран ( Sachan D., 2018 ). Woebot взаимодействует с пациентами в форме виртуального психоанализа и помогает им идентифицировать свои эмоции и модели мышления, а также освоить такие навыки, как устойчивость к стрессу или методы снижения тревоги. Исследования показали, что использование приложения Woebot позволяет ослабить выраженногсть симптомов депрессии (Fitzpatrick K.., et.al., 2017).

Для исследователя

Что такое "исследовательские задачи" в применении к "машинному обучению"? На что ориентированы исследования в области "искусственного интеллекта" в области психиатрии? Какие примеры можно привести в плане эффективного использования "искусственного интеллекта" в исследования психических расстройств? 

В машинном обучении можно выделить исследовательские задачи, которые фокусируются на хранении знаний, полученных при решении одной задачи, и применении их к другой, но связанной задаче (Tajbakhsh N., et.al., 2016). Исследования по искусственному интеллекту в области психиатрии  либо ориентированы на конкретные заболевания, либо на особые группы населения. Исследования с использованием методов глубокого обучения на основе электроэнцефалографии, таких как одномерная или двумерная нейронная сеть, использовались для различения пациентов с депрессией от здоровых людей с точностью более 90% ( Saeedi A., et al., 2021 ). Трехмерная нейронная сеть также использовалась для извлечения кратковременного динамического визуального представления депрессии из видеосегментов. Эти исследования доказали, что эти сетевые системы могут точно предсказывать депрессию по фрагментам видео ( Jazaery M. and Guo G, 2018 ). 

Литература 

Bain E.E., Shafner L., Walling D.P., Othman A.A., Chuang-Stein C., Hinkle J., Hanina A. Use of a novel artificial intelligence platform on mobile devices to assess dosing compliance in a phase 2 clinical trial in subjects with schizophrenia. JMIR mHealth uHealth. 2017;5(2)

Graham S., Depp C., Lee E.E., Nebeker C., Tu X., Kim H.C., Jeste D.V. Artificial intelligence for mental health and mental illnesses: an overview. Curr. Psychiatry Rep. 2019;21(11):116.

Fitzpatrick K.K., Darcy A., Vierhile M. Delivering cognitive behavior therapy to young adults with symptoms of depression and anxiety using a fully automated conversational agent (Woebot): a randomized controlled trial. JMIR Ment. Health. 2017;4(2)

Hopfield J.J. Neural networks and physical systems with emergent collective computational abilities. Proc. Natl. Acad. Sci. U. S. A. 1982;79(8):2554–2558

Jazaery Mohamad Al, Guo Guodong. Video-based depression level analysis by encoding deep spatiotemporal features. IEEE Trans. Affect. Comput. 2018

Kallenberg M., Petersen K., Nielsen M., Ng A.Y., Pengfei Diao Igel, C., Vachon C.M., Holland K., Winkel R.R., Karssemeijer N., Lillholm M. Unsupervised deep learning applied to breast density segmentation and mammographic risk scoring. IEEE Trans. Med. Imaging. 2016;35(5):1322–1331. 

McCarthy J. Philosophical Logic and Artificial Intelligence. Kluwer Publishing Co.; Dordrecht, Holland: 1989. Artificial intelligence, logic and formalizing common sense; pp. 161–190.

Leondes, Cornelius, T., 2002. Expert systems: the technology of knowledge management and decision making for the 21st century, 1–22.

Sachan D. Self-help robots drive blues away. Lancet Psychiatry. 2018;5(7):547.

Schmidhuber J. Deep learning in neural networks: an overview. Neural Netw. 2015;61:85–117.

Saeedi A., Saeedi M., Maghsoudi A., Shalbaf A. Major depressive disorder diagnosis based on effective connectivity in EEG signals: a convolutional neural network and long short-term memory approach. Cogn. Neurodyn. 2021;15(2):239–252

Tajbakhsh N., Shin J.Y., Gurudu S.R., Hurst R.T., Kendall C.B., Gotway M.B., Liang Jianming. Convolutional neural networks for medical image analysis: full training or fine tuning? IEEE Trans. Med. Imaging. 2016;35(5):1299–1312.