Sledujte náš Twitter účet @Immerse_Project a zostaňte naladení.
Pred 2500 rokmi Heraclitus slávne povedal: „Všetko plynie a nič nezostáva pevné.“ Aj keď jeho pohľad môže ponúknuť určité potešenie pri zápasení so šípmi a bodkami osudu, vedci obvykle nie sú tak ľahko uspokojení. Je pravda, že nič nie je pevné? A vzhľadom na to, že veci plytú, ako presne plytú?
Po vedeckej revolúcii na začiatku 16. storočia vedci urobili významný pokrok v označovaní toho, čo môže byť pevné. Newton objavil, že obežné dráhy planét sa riadia nezmeniteľnými zákonmi gravitácie a zachytil ich plynutie v krásnom jazyku počítania, ktorý dnes trápi stredoškolských študentov. Einstein si uvedomil, že rýchlosť svetla zostáva konštantná, aj keď sa priestor a čas krútia okolo nej.
Mimo pochopenia toho, čo je pevné, vedci tiež pokročili v pochopení, ako sa veci menia: od klímy cez burzu až po neuveriteľnú zložitosť 80 miliárd prepojených šplhajúcich neurónov tvoriacich ľudský mozog; dynamika prichádza v mnohých tvaroch a formách a predstavuje úctyhodnú výzvu pre tých, ktorí sa snažia z nich vyvodiť modely.
Naše ľudské psychiky, prepojené s dynamikou mozgu a zasadené do komplexného sveta plného neistôt, sú tiež stále v pohybe. A tak by nemalo byť prekvapením, že mentálne choroby môžu tiež obsahovať komplexné dynamické vzory. Bipolárna porucha slúži ako príklad: je charakterizovaná fluktuujúcimi náladami, ktoré oscilujú medzi depresívnymi a manickými fázami, a jej nepredvídateľnosť môže byť pre tých, ktorí s ňou trpia, ťažko zvládnuteľná.
Keď sa Johannes Kepler pokúsil zhrnúť pozorované pohyby obežných dráh do rovníc, trvalo mu takmer desať rokov, kým formuloval svoje známe zákony, založené na údajoch, ktoré dostal od Tycho Braheho. Napriek tomu sa vedci 21. storočia nemusia spoliehať len na pero a papier pri hľadaní rovníc pohybu, sú podporovaní počítačmi a učiacimi sa algoritmami. Metódy strojového učenia a umelej inteligencie sa stávajú čoraz silnejšími pri automatickom extrahovaní vzorov z rôznorodých údajov. Už sa dostali do mnohých medicínskych aplikácií a očakáva sa, že sa dostanú do ešte väčšieho množstva.
Moja výskumná skupina na Centrálom inštitúte pre duševné zdravie sa zameriava na podoblasť umelej inteligencie nazvanú rekonštrukcia dynamických systémov. Používame neurónové siete na extrakciu modelov z tokov, ktoré pozorujeme okolo seba. Tieto siete môžu pochádzať z meraní srdca alebo mozgu, alebo, ako je to v prípade projektu IMMERSE, z údajov z mobilných telefónov zo všedného života tých, ktorí trpia duševnými problémami.
Keďže sme extrahovali rad modelov, môžeme ich použiť na predpovedanie okamžitej budúcnosti alebo ich môžeme použiť na pochopenie skrytých dynamických vzorov a trendov, rovnako ako pri pokuse predpovedať krátkodobé počasie a dlhodobú zmenu klímy.
Konkrétne v mojom projekte sa pozrieme na integráciu informácií z niekoľkých spoločne pozorovaných modalít. Údaje v štúdiách založených na smartfónoch ako IMMERSE sa často zbierajú pomocou metódy skúmania skúseností (ESM), ktorá poskytuje účastníkom dotazníky o ich aktuálnej nálade niekoľkokrát denne (napríklad ako ste šťastný na stupnici od 1 do 10?). Avšak smartfóny majú tiež schopnosť zbierať pasívne údaje, ako sú počty krokov, vzory aktivity alebo údaje o GPS, ktoré nezávisia na časovo náročnom a niekedy nepresnom zapojení do prieskumov zo strany účastníkov štúdie. Tieto pasívne zbierané údaje sa však môžu veľmi líšiť od hodnotení ESM (ako napríklad počty krokov za hodinu alebo abstraktné súradnice GPS, ktoré vyzerajú niečo ako "41,40338, 2,17403"), a ich integrácia si vyžaduje dosť dôvtipu.
Ako súčasť môjho projektu sme vyvinuli nový tréningový paradigma, založený na niekoľkých nedávnych pokrokov v extrahovaní dynamických modelov. Rámec nazvaný Multimodálny variačný autoenkóder s vyučovaním (áno, je to dosť dlhý názov) dokáže vziať niekoľko časových radov pozorovaných v rovnakom čase a použiť ich na extrakciu spoločného modelu dynamiky.
Viac údajov zvyčajne znamená expresívnejšie a silnejšie modely a integrácia pasívnych a aktívnych údajov zaznamenáva komplexné procesy dynamiky spôsobujúce duševné choroby. Predstavte si napríklad nadchádzajúcu depresívnu epizódu: zatiaľ čo jednotlivci môžu prejaviť zníženú motiváciu na vyplnenie prieskumov, môže byť tiež zreteľný pokles fyzickej aktivity alebo viac času stráveného v interiéri, ako naznačujú údaje o krokoch alebo GPS. Kombinácia týchto informácií v spoločnom modeli môže poskytnúť klinickým lekárom včasné varovné signály na efektívne zvládnutie nástupu týchto epizód, čo vedie k zlepšeniu terapie.
Zamestnávanie modelov umelej inteligencie v klinických prostrediach vyžaduje starostlivosť a dôkladné pochopenie konkrétnych technických a etických výziev tohto odvetvia, ale tiež sľubuje zlepšenú starostlivosť zameranú na osobu: model umelej inteligencie môže poskytnúť pohľad oveľa viac prispôsobený jednotlivcovi, pretože dokáže extrahovať zložité vzťahy z údajov jedinečných pre danú osobu. Tieto vzťahy by mohli byť pre lekára ťažšie viditeľné pod časovým tlakom alebo len na základe samoopisu účastníkov počas konzultačných hodín s málo údajmi, ktoré by ich podporovali.
Preto je nádej, že integrácia týchto modelov do klinickej praxe a terapeutických prístupov založených na smartfónoch môže poskytnúť klinickým lekárom lepšie pochopenie individuálnych problémov, poskytujúc synergický efekt medzi ľudským prvkom terapie a schopnosťou umelej inteligencie odhaliť skryté vzory z mnohých foriem údajov.
This project has received funding from the European Union’s Horizon 2020 research and innovation Programme under grant agreement 945263 (IMMERSE). This website reflects only the authors' view and the European Commission is not responsible for any use that may be made of the information it contains
© 2021 IMMERSE