Les nouveaux modèles d’intelligence artificielle basés sur les réseaux de neurones profonds [1Lecun Y. L’apprentissage profond, une révolution en intelligence artificielle  Fayard: Collège de France (2017). 

Cliquez ici pour aller à la section Références] permettent d’apprendre des tâches complexes encore récemment réservées à l’homme. Alors que de nombreuses activités humaines ont été modélisées par ces nouvelles techniques, y compris dans le domaine médical, très peu d’initiatives ont émergé au niveau international en ce qui concerne la psychiatrie.

Néanmoins, dans le cadre de la dépression, plusieurs études se sont attaquées à la prédiction automatique des scores des questionnaires PHQ-8. Ainsi, plutôt que de demander au patient de remplir un questionnaire d’analyse, l’entretien entre le patient et le psychiatre est filmé et ensuite analysé par des modèles d’intelligence artificielle dont le but est de prédire le score au questionnaire.

Dans ce cadre, nous avons développé de nouveaux modèles d’apprentissage profond qui représentent aujourd’hui l’état de l’art en matière de performance.

Ces modèles ont été entraînés et testés sur un ensemble de 183 patients américains souffrant de dépression [2Gratch J., et al. The distress analysis interview corpus of human and computer interviews  : LREC (2014). 3123-3128

Cliquez ici pour aller à la section Références]. Ainsi, à partir des entretiens filmés, trois types d’information sont analysés: l’information visuelle, l’information acoustique et l’information textuelle. Ces informations sont ensuite fusionnées en doublant un mécanisme d’attention propre aux réseaux de neurones à une transformation des données par tenseur qui permet de comprendre l’importance de chaque modalité dans la prise de décision de l’algorithme.

Deux types d’expériences ont été menées. D’abord, le modèle proposé doit être capable de prédire le score du PHQ-8 sur une échelle de 0 à 24. Ensuite, un nouveau modèle est développé sur les mêmes bases pour prédire le niveau de dépression sur une échelle de 0 (pas dépressif) à 5 (dépressif sévère).

Dans les deux cas, les modèles développés dans cette étude [3Qureshi S.A., et al. Multitask representation learning for multimodal estimation of depression level IEEE Int Syst 2019 ; 1-8 [cross-ref]

Cliquez ici pour aller à la section Références] présentent des résultats supérieurs à l’état de l’art proposé par [4Williamson J.R., et al. Detecting depression using vocal, facial and semantic communication cues AVEC 2016 ; 11-18 [cross-ref]

Cliquez ici pour aller à la section Références]. Néanmoins, les résultats sont encore trop faibles pour aider le praticien dans son diagnostic de manière fiable. En effet, pour la première tâche, le niveau d’erreur moyen est de l’ordre de 3,29 sur une échelle de 0 à 24. Dans le deuxième cas, le système garantit une précision de 60,61 %.

Alors que de nombreuses tâches humaines peuvent être modélisées avec succès par ces nouvelles techniques, le domaine de la psychiatrie demeure encore un champ d’études trop peu exploré, et dont les perspectives sont immenses.