SMC 資料庫

文中提及憂鬱症有賴於臨床診斷，但因為現今社會對精神疾病的污名化，以及治療成本、管道上的限制，60%的人都無法有效獲得精神衛生保健的服務。該研究的多重模態方法（multi-modal method），使用現代手機常見的3D面部表情和口說語言等技術，在臨床驗證的患者健康問卷（patient health Questionnaire, PHQ）量表中，獲得平均誤差為3.67分（相對誤差為15.3%），以及針對重度憂鬱的診斷，其模型檢測到83.3%的敏感度和82.6%的特異度（Specificity）。換句話說，這項技術結合了語句辨識、電腦視覺和自然語言處理，且應用於世界各地的手機，便於民眾獲取低成本的心理衛生保健管道，對精神健康患者和從業者都是一大福音。

基於我國約有200萬人表現憂鬱傾向，在台灣造成的經濟成本一年高達405億元，特此邀請學者、臨床醫師針對本次研究進行回應。

研究原文：
〈透過口說語句辨識及三維面部表情測量憂鬱症狀的嚴重程度〉
Haque, A., Guo, M., Miner, A. S., & Fei-Fei, L. (2018). Measuring Depression Symptom Severity from Spoken Language and 3D Facial Expressions, arXiv preprint arXiv:1811.08592.

相關新聞報導：〈李飛飛最新研究：透過臉部、語音辨識，「AI 醫生」也能診斷憂鬱症〉

新興科技媒體中心邀請到中正大學資工系江振國老師、臺灣大學心理系張玉玲副教授兩位，分別針對AI的技術問題，以及憂鬱症的多種表現，來回應AI技術是否真的能夠協助判斷憂鬱症？

2018年12月25日
國立中正大學資訊工程學系 江振國助理教授

運用 AI 技術於憂鬱症或自殺傾向等問題的預估或評量系統，是現在醫學或心理結合 AI 技術普遍在嘗試的方向。以三維人臉表情與口說語句來判斷重度憂鬱的二元分類問題或憂鬱症程度的評量，是一個以外在表現來連結憂鬱症程度的判斷方式，而以這種方式為基礎的假設在於，罹患憂鬱症的徵狀，可能包含面部表情不開心、心情低落；或是講話語氣低沉、或是常出現負面表態的詞彙，因此可以訓練連結這些徵狀轉換到憂鬱症程度的 AI 模型，這樣的想法對部分的病患應該是有效的，前提是如果憂鬱症病患的表徵符合上述描述。

反過來說，有一類憂鬱症的患者，他們對外的表徵是極度開朗、一直說笑話讓眾人開心，聊起天時滔滔不絕停不下來，但其實本身是重度憂鬱症患者，這類病患在臨床上也非常常見，但他們的行為並不符合模型的假設，所以學者阿爾伯特.哈克（Albert Haque）等人的研究對不符合假設的病患是無效的，進一步說，不同的憂鬱症病患（極度燥、極度鬱、假裝極開心）都需要醫生臨床的判讀，才能進一步協助病患。以人臉表情、說話語氣、用字遣詞來判讀憂鬱症的徵狀，是結合AI 作為病況評量的第一步，相當值得鼓勵，但後續要能實際應用造福人頻，需要醫師、心理治療師等專業領域的介入，提出他們專業的判讀條件，引進 AI 的模型學習中，才是相對有效的做法，目前以電腦視覺、語音文字等技術來作心理病況的評估預測，尚屬 AI 結合醫療入門的粗淺嘗試，冀望這踏出的第一步，能引發後續更深入的研究。

2019年1月9日
國立臺灣大學心理學系 張玉玲副教授

使用數位心理健康照護系統，例如AI 技術，來協助早期發現心智疾患是近來研究的熱門議題。相較於傳統醫療模式，它具有多項優點，例如較不受時、地的限制，可降低因傳統醫療模式為病人所帶來之不便與污名化的可能性，同時也有可能因為能更早發現症狀，而開啟及早介入或治療的契機。然而，值得注意的是，此研究主要是針對個案的面部表情和口述語言特徵做分析，雖然AI 技術確實有可能比人類感官更容易偵測到細微的物理特徵差異，但憂鬱不論是作為一種症狀或是一種疾病診斷，都是相當複雜的現象，病人內在情緒狀態與負向的思考模式（例如負面自我歸因）等核心症狀往往比外顯的表情或語言更重要，但此研究的分析並未包括這方面的資料。

此外，個體外顯行為特徵與內在情緒之間的連結並非單純對應的關係，會受到很多因素影響，例如，有研究發現，相較於西方文化，華人的憂鬱呈現可能更容易以身體不適的抱怨來呈現，而非其他典型的憂鬱症狀。又例如，在老化過程中，年長者認知功能的衰退也會造成口語表達流暢度的改變，以及因為慢性疾病而造成身體不適，進而反應在面部表情上，但他們或許並非臨床上憂鬱的族群，這些都突顯出目前以AI技術來協助偵測個體情緒或是其他複雜的心智功能改變的挑戰。

此外，在專業的臨床心理評估中，往往會透過多元資料的收集，例如當事人的年齡、性格、人際互動、壓力因應方式，與文化等結合臨床有關行為或思考模式等來評估此人憂鬱的問題，而非單以外在表情與口語表達作判斷。然而，因為此研究分析的資料是來自於現成資料庫，而此資料庫中對於受試者的各種背景資料為隱匿的或是未收集的，因此很有可能造成引用該資料作分析之研究者取樣到有偏差的樣本，而造成結論推論的偏誤。目前使用數位心理健康照護系統仍無法取代臨床人員的評估，相關技術的持續發展需要以前瞻式（prospective）的研究設計為出發，同時納入多向度的資料收集，透過臨床心理學專業與其他精神醫療專業人員的協助，結合AI技術，方能有所突破。

參考資料：

1. Yeung AS, Kam R. (2005). “Illness Beliefs of Depressed Asian Americans in Primary Care.” In Georgiopoulos AM, Rosenbaum JF(eds.), Perspectives in Cross-Cultural Psychiatry, pp. 21–36. Philadelphia: Lippincott Williams & Wilkins.
2. Yeung A, Chang D, Gresham RL, Nierenberg AA, Fava M. (2004). “Illness Beliefs of Depressed Chinese American Patients in Primary Care.” The Journal of Nervous and Mental Disease 192(4):324–327.
3. Zhou X., Dere J., Zhu X., Yao S., Chentsova-Dutton Y., Ryder A. G. (2011). “Anxiety Symptom Presentations in Han Chinese and Euro-Canadian Outpatients: Is Distress Always Somatized in China?” Journal of Affective Disorders 135(1-3):111–114. 10.1016/j.jad.2011.06.049