李飞飞新作：用AI检测抑郁症，准确率已超80%

李飞飞及其团队利用AI技术检测抑郁症的研究取得了显著成果，诊断准确率已达83.3%，且模型可部署至手机，突破了传统诊断方式在时间和空间上的限制。以下是具体内容：研究背景与意义当前抑郁症已成为全球第四大疾病，预计2020年将成为第二大疾病，但诊前预测和诊后监控仍存在薄弱环节。传统诊断依赖心理医生和精神病医生的面对面观察与健康问卷，难以实现精准预测和有效追踪。AI在医学检测领域的应用逐渐多样化，此前已有研究将AI用于抑郁症检测，正确率达七成，而李飞飞团队的此次研究进一步提升了准确率。研究方法与模型构建数据输入：模型输入三种数据，包括3D面部关键点视频、患者说话的音频，以及转成文字的访谈录音。这些数据模拟了医生在诊断过程中观察的患者表现，如语调、音量、手势、眼神等。输出结果：模型输出健康问卷（PHQ）评分或抑郁症分类标签，以此判断患者是否患有抑郁症。模型原理传统抑郁症诊断中，医生通过与患者面对面聊天，观察其语调是否单一、音量是否较低、手势是否比正常人少、是否总爱低头向下看等要素，并结合患者健康问卷来调查了解更详细的信息。AI诊断抑郁症则是用机器学习模型代替医生，将患者在医生面前的表现转化为数据输入模型中。训练模型全过程训练数据：主要用到DAIC-WOZ数据，包括142名患者的健康问卷评分和189次临床访谈、总共50小时的数据。模型组成：句子级嵌入式（Sentence-Level Embeddings）：实现整个句子多模态嵌入，可捕捉更长时间的声音、视觉和语音元素。- 因果卷积网络（C-CNN, Causal Convolutional Networks）：抑郁症患者说话时在不同字词之间停顿时间更长，整个句子的音视频也比较长，因果卷积网络在处理这种长句子上比循环神经网络更具优势。研究特点：不依赖预先做好的访谈记录，背景资料更少。无需特征工程，可直接输入原始数据。研究成果与应用前景成果认可：该研究成果入选了NIPS NeurIPS 2018医疗健康机器学习（ML4H）Workshop。应用优势：模型可部署到手机上，让更多人能够方便地进行抑郁症诊断，不再受没钱、没时间等因素的困扰，为抑郁症的早期发现和干预提供了新的有效手段。