Modelo Inovador para Diagnosticar Depressão

O Transtorno Depressivo Maior (TDM) é um problema de saúde mental comum que afeta cerca de 300 milhões de pessoas no mundo todo. A pandemia de COVID-19 só piorou a situação, causando um aumento de 27% no número de pessoas sofrendo de TDM globalmente. Diagnosticar o TDM pode ser complicado, já que não dá pra fazer isso com exames de sangue ou tomografias. Em vez disso, os médicos geralmente se apoiam em entrevistas e questionários preenchidos pelos pacientes, que podem ser subjetivos e levar a erros de diagnóstico. A chance de um diagnóstico errado pode ser de até 54%.

Nos últimos anos, tem havido um interesse crescente em usar Aprendizado de Máquina (ML) para ajudar a identificar e avaliar o TDM automaticamente. Essa abordagem oferece uma alternativa objetiva e econômica em relação aos métodos tradicionais. Muitos estudos focaram em combinar diferentes tipos de informações – sinais verbais e não verbais – para melhorar a precisão no diagnóstico da depressão. A maioria dos sistemas avançados usa três tipos de entrada: Áudio, Vídeo e texto.

No entanto, a entrada baseada em texto é frequentemente vista como o ponto fraco desses sistemas. Isso se deve principalmente à falta de dados textuais especializados para treinamento, dificultando o desempenho dos modelos de processamento de linguagem natural (NLP). Até agora, ninguém tentou integrar Modelos de Linguagem de Grande Escala (LLMs) em um sistema projetado para diagnosticar depressão. Como os LLMs são treinados em grandes quantidades de texto, há potencial para eles melhorarem a precisão das avaliações de depressão.

#Abordagem Proposta

Este trabalho apresenta um novo modelo que combina LLMs com dados de áudio e vídeo para avaliar os níveis de depressão com base em entrevistas clínicas gravadas. O modelo proposto é único porque funde entradas de três fontes diferentes: áudio, visual e texto. Com isso, o modelo busca alcançar resultados melhores na identificação da depressão.

A arquitetura do modelo foi construída em torno da ideia de processar cada tipo de dado separadamente antes de combiná-los. Esse método reduz a complexidade que geralmente enfrentamos em sistemas multicanais, permitindo uma compreensão mais eficaz dos padrões dentro de cada tipo de entrada.

O modelo teve um bom desempenho quando testado em comparação com padrões da indústria, mostrando uma melhoria significativa em relação aos sistemas existentes. Ele registrou uma precisão de 91,01% e um forte equilíbrio entre precisão e revocação, o que significa que foi bom em identificar tanto indivíduos depressivos quanto não depressivos.

#Importância do Estudo

As implicações desta pesquisa são substanciais. Como o TDM afeta um número tão grande de pessoas, encontrar maneiras confiáveis de diagnosticar e monitorar a condição é crucial. Usar tecnologia como aprendizado de máquina pode levar a uma prática clínica mais eficiente, ajudando, em última análise, a oferecer um melhor atendimento aos pacientes.

A integração dos LLMs representa uma nova abordagem na área de saúde mental. Este modelo não apenas mostra potencial para maior precisão nos processos de diagnóstico, mas também destaca a necessidade de mais exploração e melhorias em como entendemos e lidamos com questões de saúde mental.

#Métodos Diagnósticos Atuais

O TDM é tradicionalmente diagnosticado através de entrevistas clínicas e questionários auto-relatados. Esses métodos trazem seus desafios. Os pacientes podem não relatar seus sentimentos com precisão devido a pressões sociais ou à falta de compreensão de seus próprios sintomas. Os médicos também podem ter preconceitos que influenciam seu julgamento, levando a complicações adicionais no diagnóstico.

Dadas essas limitações, há uma necessidade urgente de métodos mais objetivos. O aprendizado de máquina apresenta uma solução promissora analisando padrões em dados que muitas vezes passam despercebidos por avaliadores humanos. Estudos demonstraram que combinar diferentes tipos de dados – como fala, expressões faciais e conteúdo escrito – pode aumentar significativamente a precisão diagnóstica.

#Abordagens Multicanais

A maioria dos estudos recentes foca em sistemas que utilizam múltiplos tipos de dados. Esses modelos multicanais analisam tanto a comunicação verbal (o que o paciente diz) quanto os sinais não verbais (linguagem corporal, expressões faciais, tom de voz). Ao integrar áudio, vídeo e texto, esses sistemas podem pintar um quadro mais completo do estado mental de uma pessoa.

Por exemplo, os dados de áudio têm se mostrado particularmente eficazes no diagnóstico da depressão. Muitos modelos baseados em áudio mostraram que as características da voz de uma pessoa podem revelar estados emocionais que podem não ser evidentes em suas palavras. Características de áudio, como tom, entonação e padrões de fala, fornecem insights importantes que podem auxiliar na avaliação.

Os dados visuais também desempenham um papel crítico. Pesquisas demonstraram que pessoas com depressão costumam mostrar expressões faciais distintas. Analisar essas expressões pode levar a ganhos significativos nas capacidades diagnósticas. O uso de Unidades de Ação Facial (FAUs) – que categorizam movimentos faciais específicos – permite um exame mais detalhado do comportamento não verbal.

Os dados textuais, embora usualmente considerados como o tipo de entrada menos eficaz, ainda têm valor. Eles permitem a análise do conteúdo do que um paciente diz, o que também pode revelar insights sobre seu estado de saúde mental. No entanto, como mencionado, a falta de dados de treinamento especializados para texto pode limitar o desempenho de modelos que dependem muito dessa modalidade.

#Coleta e Pré-processamento de Dados

Para este estudo, os dados foram coletados do Distress Analysis Interview Corpus - Wizard of Oz (DAIC-WOZ), que inclui gravações de entrevistas clínicas. Cada entrevista durou de 7 a 33 minutos e incluiu gravações de áudio, transcrições e certas características visuais.

Para garantir a qualidade dos dados, várias etapas de pré-processamento foram necessárias. Os dados de áudio tiveram que ser limpos para remover sons e segmentos irrelevantes. A precisão das transcrições também foi crucial, já que erros no texto poderiam prejudicar o desempenho dos LLMs. Esse processo envolveu identificar e corrigir erros de transcrição e melhorar estruturas gramaticais.

Para os dados de áudio, características específicas foram extraídas, como Coeficientes Cepstrais de Frequência Mel (MFCCs), que representavam efetivamente características de áudio ligadas a emoções. Para os dados visuais, as FAUs foram usadas para capturar e quantificar expressões faciais durante as entrevistas.

#Desenvolvimento do Modelo

Uma vez que os dados foram coletados e pré-processados, o foco virou para o desenvolvimento do modelo. Isso envolveu criar modelos separados para áudio, vídeo e texto, que foram então combinados de uma forma que permitisse que eles trabalhassem juntos efetivamente.

Para o modelo baseado em texto, um Modelo de Linguagem de Grande Escala (LLM) foi empregado. O LLM foi solicitado a analisar as transcrições completas das entrevistas e determinar se um paciente estava experimentando depressão. Isso forneceu uma classificação binária que poderia ser integrada com os resultados da análise de áudio e visual.

Na arquitetura final, três blocos processaram os MFCCs dos dados de áudio. Depois, os dados das FAUs foram processados de forma semelhante para garantir que se alinhassem com as dimensões da entrada de áudio. Por fim, todos os dados processados foram combinados, e uma série de camadas ajudou a produzir um diagnóstico binário.

#Avaliação

A avaliação do modelo proposto foi conduzida usando dois métodos diferentes: validação cruzada padrão e validação cruzada Leave-One-Subject-Out. Em ambos os testes, o modelo apresentou resultados excelentes, superando sistemas existentes.

A precisão obtida indicou que o modelo poderia distinguir efetivamente entre indivíduos depressivos e não depressivos. Ele também mostrou um desempenho sólido em ambas as classes, destacando sua confiabilidade como ferramenta diagnóstica.

#Aplicação no Mundo Real e Trabalho Futuro

Diante desses resultados positivos, o modelo foi integrado a um aplicativo web chamado DepScope. Esse aplicativo foi projetado para uso clínico em tempo real durante entrevistas. O objetivo era tornar o processo diagnóstico mais eficiente e acessível.

Depois de conectar suas contas de reuniões online, os clínicos poderiam usar o aplicativo para processar automaticamente gravações de entrevistas. O modelo analisaria os dados e geraria relatórios que descreviam as principais descobertas e diagnósticos feitos, junto com o nível de confiança para cada classificação.

Embora o modelo tenha mostrado grande promessa, ainda há desafios a serem enfrentados. Por exemplo, o sistema atual não está preparado para análise em tempo real devido a limitações de velocidade de processamento. Além disso, o conjunto de dados utilizado é relativamente pequeno, o que levanta preocupações sobre como o modelo se sairia em uma gama mais ampla de cenários.

Pesquisas futuras vão se concentrar em melhorar a velocidade e acessibilidade do modelo. Além disso, à medida que novos LLMs se tornem disponíveis, eles serão testados para integração na estrutura existente. Também está planejado aprimorar os prompts usados para as interações dos LLMs para aumentar ainda mais a precisão.

#Conclusão

Este trabalho apresenta uma arquitetura inovadora de aprendizado de máquina para diagnosticar depressão a partir de entrevistas clínicas. Ao integrar dados de áudio, vídeo e texto em um único modelo, a pesquisa demonstra uma abordagem eficaz para entender e abordar o Transtorno Depressivo Maior. Os resultados alcançados são encorajadores e mostram o potencial da tecnologia para desempenhar um papel significativo no diagnóstico e tratamento da saúde mental.

Ao continuar refinando esse modelo e expandindo suas capacidades, há esperança de melhor suporte para indivíduos enfrentando depressão, levando, em última análise, a melhores resultados em saúde mental. Com os avanços na tecnologia e nossa crescente compreensão das questões de saúde mental, o futuro é promissor para integrar essas abordagens na prática clínica.