Para peneliti di Universitas Teknologi Kaunas (KTU) telah memelopori model kecerdasan buatan yang mendiagnosis depresi dengan akurasi 97.53% dengan menganalisis aktivitas saraf otak dan ucapan, yang menandai terobosan signifikan dalam diagnostik kesehatan mental.
Depresi memengaruhi sekitar 280 juta orang di seluruh dunia, dan mendiagnosisnya secara akurat selalu menjadi tantangan yang signifikan. Para peneliti di Universitas Teknologi Kaunas (KTU) telah membuat terobosan dalam bidang ini dengan mengembangkan model kecerdasan buatan (AI) yang dapat mengidentifikasi depresi dengan presisi luar biasa dengan menganalisis pola bicara dan aktivitas saraf otak.
“Depresi adalah salah satu gangguan mental yang paling umum, dengan konsekuensi yang menghancurkan bagi individu dan masyarakat, jadi kami sedang mengembangkan metode diagnostik baru yang lebih objektif yang dapat diakses oleh semua orang di masa depan,” kata salah satu penulis Rytis Maskeliūnas, seorang profesor di Departemen Teknik Multimedia di KTU, dalam sebuah pernyataan. rilis berita.
Pendekatan Multimodal Meningkatkan Akurasi Diagnostik
Diterbitkan dalam Brain Sciences Journal, inovasi tersebut berasal dari pendekatan multimoda yang mengintegrasikan dua jenis data: ucapan dan aktivitas listrik otak (EEG).
Para peneliti berpendapat bahwa sementara sebagian besar metode diagnostik tradisional bergantung pada satu jenis data, pendekatan ganda ini menawarkan pemahaman yang lebih komprehensif tentang keadaan emosional seseorang.
Analisis gabungan ini mencapai akurasi yang mengesankan sebesar 97.53% dalam mendiagnosis depresi, suatu peningkatan signifikan dibandingkan metode yang ada.
“Hal ini karena suara menambah data pada penelitian yang belum dapat kami ekstrak dari otak,” tambah Maskeliūnas.
Data Suara dan Otak: Duo Diagnostik yang Ampuh
Menurut Musyyab Yousufi, mahasiswa doktoral yang berkontribusi pada proyek tersebut, pemilihan sumber data telah dipertimbangkan dengan saksama. Ia mencatat bahwa meskipun ekspresi wajah dapat memberikan beberapa wawasan tentang kondisi psikologis seseorang, ekspresi wajah dapat dengan mudah dimanipulasi.
"Kami memilih suara karena suara dapat mengungkapkan keadaan emosi secara halus, dengan diagnosis yang memengaruhi kecepatan bicara, intonasi, dan energi secara keseluruhan," kata Yousufi dalam rilis berita tersebut.
Privasi pasien merupakan pertimbangan penting lainnya. Metode tradisional seperti pengenalan wajah dapat mengganggu privasi, sedangkan ucapan dan EEG menawarkan data yang kurang invasif tetapi sama informatifnya.
“[P]engumpulan dan penggabungan data dari beberapa sumber lebih menjanjikan untuk penggunaan lebih lanjut,” tambah Maskeliūnas.
Jalan ke Depan: Meningkatkan Transparansi dan Pemahaman AI
Tim peneliti KTU menggunakan Multimodal Open Dataset for Mental Disorder Analysis (MODMA) untuk data EEG mereka. Data ini dikumpulkan dalam suasana yang terkendali, dengan peserta dalam keadaan istirahat, mata tertutup selama lima menit. Bersamaan dengan itu, ucapan alami peserta direkam selama sesi tanya jawab dan saat mendeskripsikan gambar.
Untuk memproses data ini, data tersebut diubah menjadi spektrogram, representasi visual dari sinyal. Filter noise tingkat lanjut dan model pembelajaran mendalam DenseNet-121 yang dimodifikasi digunakan untuk mengidentifikasi indikator depresi pada gambar-gambar ini.
Ke depannya, model AI ini dapat mempercepat dan mempermudah diagnosis depresi, sehingga memungkinkan evaluasi jarak jauh dan mengurangi bias subjektif. Namun, tantangan tetap ada.
“Masalah utama dengan penelitian ini adalah kurangnya data karena orang cenderung merahasiakan masalah kesehatan mental mereka,” jelas Maskeliūnas.
Tugas masa depan yang penting bagi para peneliti adalah meningkatkan kemampuan algoritma untuk menjelaskan proses diagnostiknya dengan jelas.
“Algoritmanya masih harus belajar bagaimana menjelaskan diagnosis dengan cara yang mudah dipahami,” tambah Maskeliūnas.
Implikasi yang Lebih Luas: AI yang Dapat Dijelaskan dalam Layanan Kesehatan
Seiring dengan semakin populernya solusi AI di berbagai bidang sensitif seperti perawatan kesehatan, keuangan, dan hukum, permintaan akan kecerdasan buatan yang dapat dijelaskan (XAI) pun meningkat. XAI bertujuan untuk membuat proses pengambilan keputusan AI menjadi transparan, sehingga membangun kepercayaan dan memastikan bahwa sistem ini dapat diintegrasikan secara andal ke dalam berbagai bidang penting.
Dengan perkembangan ini, KTU membuka jalan yang menjanjikan menuju diagnosis depresi yang lebih akurat, objektif, dan mudah dipahami, yang berpotensi merevolusi cara masalah kesehatan mental diidentifikasi dan ditangani.