ИИ-фреймворк NTU и IMH выявляет риск психоза у молодежи по речи

Наньянгский технологический университет (NTU) в Сингапуре совместно с Институтом психического здоровья (IMH) представил новую архитектуру искусственного интеллекта, способную идентифицировать молодежь с высоким риском развития психоза. Технология анализирует короткие образцы непринужденной спонтанной речи, выявляя признаки тяжелого психического расстройства, которое обычно манифестирует в подростковом возрасте или ранней взрослости и характеризуется галлюцинациями, бредом и дезорганизованным мышлением.

Проблема скрытых симптомов и методология LYRIKS

Это первое исследование в Сингапуре, сфокусированное на раннем риске психоза среди молодежи с использованием больших языковых моделей (LLM). Исследователи отмечают, что ранняя идентификация лиц с ультравысоким риском (UHR) затруднена тем, что в повседневном общении молодые люди редко прямо артикулируют свои проблемы с психическим здоровьем. Данный феномен описывается как «нераскрывающая речь», когда язык не содержит явных упоминаний о состоянии говорящего. Например, депрессивный пациент может не заявлять напрямую о своем диагнозе.

Работа опубликована в научном журнале npj Mental Health Research и основана на транскриптах 429 участников в возрасте от 14 до 29 лет, вовлеченных в лонгитюдное исследование Longitudinal Youth-at-Risk Study (LYRIKS). Этот проект, инициированный в 2008 году, направлен на комплексную оценку социальных, клинических и биологических факторов риска развития психоза. Каждый участник предоставил 45-секундный образец нераскрывающей речи в ответ на нейтральный промпт, например, аргументацию того, почему он должен получить награду как «самый интересный человек».

Архитектура LEMon-AID и точность детекции

Стандартные LLM показали эффективность, сопоставимую со случайным угадыванием, при попытке напрямую предсказать клинический риск по сырым транскриптам, пропуская большинство групп риска. Исследователи связывают это с отсутствием подходящих обучающих датасетов и спецификой спонтанной речи, которая редко содержит структурированную клиническую информацию. Для преодоления этого ограничения была разработана система LEMon-AID (Latent Emotion Proxy for Mental Health Detection with AI-integrated Decision-making).

Данный фреймворк использует LLM для извлечения тонких эмоциональных профилей, таких как радость, доверие, страх и печаль, комбинировая эти сигналы с традиционными алгоритмами машинного обучения. Результаты продемонстрировали значительное превосходство над конвенциональными подходами: общая предиктивная точность выросла с 55% до 67%, а чувствительность детекции увеличилась так, что до 93% молодежи группы риска могут быть идентифицированы.

Интерпретируемость модели и планы валидации

В отличие от традиционных моделей машинного обучения, работающих как «черные ящики», LEMon-AID генерирует объяснения на естественном языке параллельно с оценкой рисков. Это позволяет клиницистам понимать логику каждого прогноза, делая ИИ более безопасным и прозрачным инструментом. Уилсон Гоу, ассистент профессора биомедицинской информатики из LKCMedicine и Центра ИИ в медицине NTU, отметил, что система читает скрытые эмоциональные подсказки вместо запроса прямой диагностики, сохраняя конфиденциальность данных пациентов.

Матеус Калвин Локаджажа, первый автор исследования и научный сотрудник LKCMedicine, пояснил: «Когда мы напрямую просили стандартные ИИ-модели идентифицировать лиц группы риска по транскриптам случайных разговоров, они пропускали почти всех. Смещая фокус ИИ на картирование эмоциональных сигналов, таких как радость, печаль или доверие, мы нашли способ вскрыть значимые паттерны, ранее скрытые в повседневной речи». Доктор Джимми Ли, руководитель исследования LYRIKS, подчеркнул важность раннего выявления для предотвращения долгосрочной инвалидности и восстановления будущего молодых людей с психическими заболеваниями.

В рамках будущих работ команда планирует исследовать мультимодальные подходы, интегрируя акустические подсказки, высоту тона, ритм речи и мимику для повышения надежности системы. Перед практической имплементацией потребуется дальнейшая обширная исследовательская работа и валидация в реальных условиях. Исследование поддержано Министерством здравоохранения Сингапура через Национальный медицинский исследовательский совет (NMRC) и MOH Holdings Pte Ltd в рамках программы Translational and Clinical Research Flagship Programme (грант NMRC/TCR/003/2008).