Une conversation recèle d’indices sur la santé mentale, l’équilibre émotionnel et l’humeur de son interlocuteur. Intonation, accent tonique, choix des mots, c’est à partir de l’analyse de ces caractéristiques que ce projet d’application pourra détecter la dépression dans les conversations. Développé par une équipe du Massachusetts Institute of Technology (MIT), un modèle, basé sur le principe de l'apprentissage automatique constitue une première étape vers le développement d’une app capable de détecter les mots et les intonations susceptibles d'indiquer une dépression, quel que soit le sujet de conversation.
C’est bien là tout l’intérêt de cette innovation, car habituellement, pour diagnostiquer la dépression, les cliniciens interrogent les patients, leur posent des questions spécifiques, par exemple sur leurs antécédents de maladies mentales, leur mode de vie et leur humeur, et identifient la condition en fonction des réponses du patient. Le type de question posée conditionne en quelque sorte la réponse du patient.
Ce développement présenté à la conférence Interspeech consiste en un modèle de réseau neuronal artificiel capable sur la base de données audio et textuelles brutes issues de conversations anodines d’identifier les modèles d’expression indiquant une dépression. En pratique, quel que soit le sujet abordé, l’application peut prédire avec précision si la personne est déprimée, sans avoir besoin d’autres informations sur ses antécédents ou son mode de vie. Les chercheurs espèrent que cette méthode pourra être utilisée pour développer des outils permettant de détecter les signes de dépression dans une conversation quelle qu’elle soit. C’est la base d’une future application mobile qui en analysant le texte et la voix d’un utilisateur sera capable de détecter sa détresse mentale et, éventuellement, d’envoyer des alertes. Une application particulièrement précieuse pour les patients qui ne peuvent pas facilement consulter en raison de la distance, d’un handicap, ou simplement de l’ignorance de leur dépression.
Les premiers indices se trouvent dans le discours : Les premiers signes de bonheur, d’excitation ou a contrario de tristesse, de troubles cognitifs ou de dépression se trouvent dans le discours, souligne l’auteur principal, Tuka Alhanai, chercheur au Laboratoire d’informatique et d’intelligence artificielle. L’idée était ici de développer un modèle de détection de la dépression capable de s’adapter à différentes contraintes et types de données, à partir d’interactions naturelles et différents états de l’individu. Et, bien entendu, la technologie pourra également être utilisée dans les cabinets médicaux par les médecins en soins primaires qui pourront ainsi élargir leur diagnostic de dépression.
Un modèle évolutif via l'apprentissage automatique : toute l’intelligence du modèle est qu’il se nourrit des tendances indiquant une dépression, puis les applique à de nouvelles personnes, sans aucune information supplémentaire. Le modèle est décrit « hors contexte » par ses auteurs car sans contrainte dans les types de données recherchées. La technique appelée modélisation de séquence, a permis d’alimenter le modèle de séquences de texte et de données audio provenant de questions et réponses provenant de patients déprimés et non déprimés. Au fur et à mesure que les séquences se sont accumulées, le modèle a pu extraire et enrichir les indices associés ou non à la dépression, dont des mots, la vitesse d’élocution, des intonations etc… Cette technique de séquençage permet également d’examiner la conversation dans son ensemble et d’identifier des différences de discours global sur le temps.
7 séquences question-réponse suffisent : le modèle obtenu peut détecter avec précision la dépression en utilisant une moyenne de 7 séquences de questions et « représente déjà un pilote très encourageant ». Il devra encore être packagé sous forme d’app pour la détection de la dépression.
Enfin, le modèle sera peut-être le premier d’une série de modèles spécifiques pour d'autres conditions cognitives, telles que la démence.
Source: Interspeech conference 31 August, 2018 Detecting Depression with Audio/Text Sequence Modeling of Interviews
Plus sur la Dépression sur Neuro Blog
