Neovulga – Veille Vulgarisée – Détection de maladies psychologiques
Neovulga – Veille Vulgarisée – Détection de maladies psychologiques
A Neovision, nous menons une veille scientifique constante pour rester à l’état de l’art. Chaque mois, les dernières avancées sont présentées à l’ensemble de l’équipe, que ce soit de nouveaux jeux de données, un nouveau papier de recherche… Nous passons toutes les actualités – ou presque – au crible. Dans notre ambition visant à mettre l’IA à la portée de tous, nous vous proposons, chaque mois, l’analyse vulgarisée d’un sujet technique présenté par notre cellule R&D.
Ici, nous traiterons de l’article scientifique Multimodal Deep Learning Framework for Mental Disorder Recognition, par Ziheng Zhang, Weizhe Lin, Mingyu Liu, Marwa Mahmoud.
Contexte
En 2017, l’OMS estimait que plus de 300 millions de personnes souffraient de troubles mentaux. Des troubles pouvant nuire au bien être d’un individu, à sa capacité de travail et étant pour certains également associés à un risque important de mortalité.
Actuellement, la méthode de détection des troubles mentaux est très subjective puisqu’elle se base sur des entretiens cliniques et des scores auto-déclarés pouvant causer des erreurs de déclaratif. Ces erreurs provoquant un écart entre la déclaration de l’individu et la réalité.
Développer une technologie capable de détecter et reconnaître automatiquement ces troubles grâce à une détection précoce des symptômes, notamment utile pour prévenir de potentielles rechutes. Elle fournirait également des informations sur les marqueurs biologiques des différents troubles mentaux, facilitant ainsi leur diagnostic.
Toutefois, établir un diagnostic basé sur une reconnaissance automatisée suppose de prendre en compte plusieurs modalités, telles que les expressions faciales, les gestes, les caractéristiques acoustiques ou encore le contenu verbal. En effet, une modalité isolée fournit rarement une information complète, chacune possédant sa valeur ajoutée.
L’avancée présentée
Le papier présenté met en avant une solution basée sur du Deep Learning permettant de traiter des caractéristiques multimodales (visuelles, textuelles, auditives) individuelles en les corrélant.
Pour cela, un auto encodeur (plus précisément un Multimodal Deep Denoising Autoencoder (multiDDAE)) est utilisé afin d’obtenir des représentations multimodales des caractéristiques audiovisuelles.
Du côté des données textuelles, un Paragraph Vector (PV) permet de traiter les documents des entretiens retranscrits contenant des indices sur la présence de troubles mentaux.
La fusion des informations textuelles et audiovisuelles est recueillie puis placée dans un réseau de neurones profond (MultiTask Deep Neural Network (DDN)), qui permet de s’adapter à des tâches différentes pour classifier la pathologie.
A noter que l’évaluation expérimentale portait sur la reconnaissance du trouble bipolaire et la dépression.
Pourquoi c’est cool ?
L’édito d’Arthur
« La multimodalité permet à une méthode d’IA d’aborder un problème en se servant de plusieurs sources différentes (audio, vidéo, texte…). Dans le cas du diagnostic de maladies complexes comme les maladies mentales, cette approche est particulièrement adaptée. Ici, les auteurs ont développé un réseau multimodal permettant de s’adapter facilement à la détection de différentes pathologies mentales. »
Ce papier témoigne d’une grande avancée dans la détection de troubles mentaux. Grâce aux expérimentations réalisées sur la bipolarité et la dépression, les auteurs savent aujourd’hui que leur système est tout aussi performant que l’état de l’art actuel sur ces deux pathologies. Ceci est très encourageant pour la communauté scientifique.
L’avantage majeur de cette solution c’est qu’elle va permettre à un grand nombre de spécialistes de détecter plus tôt les symptômes et de les assister pour le diagnostic de maladies mentales. Comme l’apprentissage a été réalisé avec une représentation multimodale, la solution peut être généralisée à différents types de troubles mentaux.
En élargissant les jeux de données et en continuant les entraînements sur d’autres maladies, l’IA sera réellement révolutionnaire pour l’aide au diagnostic psychiatrique.
