Depressione. Diagnosi efficace con metodo multimodale basato sull’IA

Un team della Kaunas University of Technology (Lituania), guidato da Rytis MaskeliÅ«nas, ha sviluppato un modello di intelligenza artificiale (IA) che aiuta a identificare la depressione in base all’attività neurale del linguaggio e a quella del cervello. Questo approccio multimodale, che combina due fonti di dati, consente un’analisi più accurata e oggettiva dello stato emotivo della persona e apre potenzialmente la porta a una nuova fase della diagnosi della depressione. I risultati della ricerca sono stati pubblicati da Brain Sciences.

Lo studio

Il team ha utilizzato dati di elettroencefalogrammi (EEG) ottenuti dal Multimodal Open Dataset for Mental Disorder Analysis (MODMA), raccolti e registrati per cinque minuti mentre i partecipanti erano svegli, a riposo e con gli occhi chiusi.

Nella parte audio dell’esperimento, le persone coinvolte hanno partecipato a una sessione di domande e risposte e a diverse attività come lettura e descrizione di immagini, affinché il team di ricerca cogliesse il linguaggio naturale e lo stato cognitivo dei partecipanti.

I segnali EEG e audio raccolti sono stati trasformati, quindi, in spettrogrammi, che hanno consentito la visualizzazione dei dati. È stato quindi utilizzato il modello di deep learning DenseNet-121 modificato per identificare i segni di depressione nelle immagini. Ogni immagine rifletteva i cambiamenti del segnale nel tempo.

L’EEG mostrava forme d’onda dell’attività cerebrale, mentre il suono consentiva ai ricercatori di tracciarne la distribuzione di frequenza e intensità.

La combinazione di dati di attività cerebrale e vocale ha raggiunto un’accuratezza del 97,53% nella diagnosi di depressione, superando significativamente i metodi alternativi.

In futuro, questo modello di intelligenza artificiale potrebbe accelerare la diagnosi di depressione o renderla “remota”, riducendo il rischio di valutazioni soggettive. Tuttavia, secondo Rytis MaskeliÅ«nas, “il problema principale di questi studi è la mancanza di dati, perché le persone tendono a mantenere la riservatezza sui loro problemi di salute mentale. E questo limita l’istruzione dell’algoritmo”.

Fonte: Brain Sciences 2024