李飛飛新論文「AI醫生」診斷抑鬱症，準確率超過80%，可移植到手機端
編者按：本文來自“ ofollow,noindex">量子位 ”（ID：QbitAI），作者：郭一璞。36氪經授權轉載。
在全世界範圍內，有超過3億人患有抑鬱症。其中的60%的人都沒有接受任何治療。
我們時有聽到名人患抑鬱症甚至嚴重到自殺的訊息，卻不知周圍一些普通人身在病中不知病。
面對這一病症，AI能做些什麼？
曾經說過“AI沒有國界，AI的福祉亦無邊界”的李飛飛老師這次要為那些懷疑自己患抑鬱症的人創造福祉了，這次她和團隊瞄準了AI診斷抑鬱症這個方向：
結合語音識別、計算機視覺和自然語言處理技術，通過表情和語言診斷一個人是否患了抑鬱症。
目前，這項研究初見成效，診斷抑鬱症的機器學習模型目前precision達到83.3%，recall達到82.6%。
並且，這個模型可以部署到手機上，讓更多人能方便的診斷抑鬱症，不再受困於“沒錢”、“沒時間”、“別人知道我去查抑鬱症會怎麼議論我”的阻撓之中。
另外，這項研究成果還入選了 NIPS NeurIPS 2018醫療健康機器學習（ML4H）Workshop。
下面，量子位為大家詳細介紹李飛飛這篇新作品的具體內容。
為什麼用表情和語言能診斷抑鬱症？
因為醫生就是這麼幹的。
在目前的抑鬱症診斷過程中，醫生需要和患者面對面聊天，來判斷對方是否患病。
需要醫生來觀察的要素包括：
對方是否語調單一，完全不抑揚頓挫；
說話音量是否比較低；
講話時手勢是不是比正常人少；
是不是總愛低頭向下看；
……
另外，還需要通過患者健康問卷（PHQ, Patient Health Questionnaire）來調查來了解更詳細的資訊。
用AI來診斷抑鬱症，就相當於用機器學習模型來代替那個和患者對話的醫生，把患者在醫生面前的表現變成資料，輸入機器學習模型中。
因此，李飛飛團隊採用的方案是先模型中輸入3D面部關鍵點視訊、患者說話的音訊和轉成文字的訪談錄音三種資料，分別對應下圖中的abc三行。
之後，輸出PHQ評分或抑鬱症分類標籤，就能得出此人是否患了抑鬱症。
訓練模型全過程
訓練這個模型用到的是DAIC-WOZ資料集，包括142名患者的PHQ評分和189次臨床訪談、總共50小時的資料。
整個模型由兩個部分組成。
第一個部分叫句子級嵌入（Sentence-Level Embeddings）。
以往的嵌入方式都是嵌入一個音節或單詞，只能捕捉幾百毫秒的時間。李飛飛團隊用的是整個句子多模態嵌入，可以實現捕捉更長時間的聲音、視覺和語言元素。
下圖就是多模態句子級嵌入的示例：
第二個部分叫因果卷積網路（C-CNN, Causal Convolutional Networks）。
之所以用因果卷積網路，是因為抑鬱症患者說話慢。
相比普通人，抑鬱症患者說話的時候會在不同的字詞之間停頓更長時間，因此整個句子的音視訊也就比較長。處理這種長句子的時候，因果卷積網路要比RNN強。
效果如何
我們來看一下實驗結果。
其中，A是指輸入資料為音訊，V是指輸入資料為視訊，L是指輸入資料為文字。
對比前人的實驗結果，李飛飛的這項新研究資料上相對較高。不過，與前人不同的是，這項新研究並不依賴一些預先做好的訪談記錄，所以來的背景資料更少。並且，這項新研究無需特徵工程，可以直接用輸入原始資料。
這張實驗結果表格對比了使用不同嵌入方式的結果。其中，前兩行是手工嵌入，第3~6行是預訓練嵌入，最後兩行是我們用到的句子級嵌入，輸入的是log-mel光譜圖、3D面部關鍵點視訊和Word2Vecs的序列。 論文傳送門