АНАЛИЗ МЕТОДОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА, ПРИМЕНЯЕМЫХ ДЛЯ РЕШЕНИЯ ЗАДАЧ ПСИХИАТРИИ
Аннотация
Использование методов искусственного интеллекта в области медицины получило
широкое распространение, помогая диагностировать, анализировать и давать рекоменда-
ции по лечению. Психиатрия – это область медицины, изучающая психические расстрой-
ства, методы их диагностики и лечения. В спектр ее задач входит не только диагностика
и лечение, но также наблюдение, мониторинг и последующая реабилитация пациентов.
Эта предметная область имеет существенные проблемы, такие как объективность, про-
тиворечивость диагноза, сложность классификации болезней, непредсказуемость течения
заболевания. С рядом этих проблем помогает справиться использование методов машин-
ного обучения и алгоритмы искусственного интеллекта. Данная работа посвящена обзору
исследований методов искусственного интеллекта, применяемых для решения задач в об-
ласти психиатрии. Актуальность темы обусловлена высокой потребностью данной пред-
метной области в улучшениях. Конкретные проблемы представлены в данной статье.
Среди них были выделены основные направления: деидентификация данных, классификация
тяжести симптомов, точность прогнозирования состояния. Для их решения авторами
были применены такие методы как латентный семантический анализ для обработки ес-
тественного языка, методы классификации, сверточные нейронные сети для прогнозиро-
вания, когнитивное моделирование. Отдельно отмечена эффективность гибридных сис-
тем, включающих реализацию сразу нескольких метолов машинного обучения. Целью ис-
следования было выделить основные направления развития исследований научного сообще-
ства, которые демонстрируют успешную интеграцию искусственного интеллекта в пси-
хиатрию, а также сравнение их между собой по полученным оценкам точности моделей.
Что, в свою очередь, подразумевает разбор и анализ конкретных алгоритмов, их произво-
дительность для конкретных задач.
Литература
problem sovremennoy psikhiatrii i razrabotka novykh klassifikatsionnykh sistem [Psychiatry of the
future: the multidimensionality of the problems of modern psychiatry and the development of new
classification systems], Zhurnal nevrologii i psikhiatrii im. S.S. Korsakova [Journal of Neurology
and Psychiatry. S.S. Korsakov]. Moscow: Media Sfera, 2017.
2. Uzuner O., Stubbs A., Filannino M. A Natural Language Processing Challenge for Clinical
Records: Research Domains Criteria (RDoC) for Psychiatry, Journal of Biomedical Informatics,
2017. DOI: 10.1016/j.jbi.2017.10.005.
3. Liu Z., Tang B., Wang X., Chen Q. De-identification of clinical notes via recurrent neural network
and conditional random field, Journal of Biomedical Informatics, 2017, pp. 34-42. DOI:
10.1016/j.jbi.2017.05.023.
4. Stubbs A., Filannino M., Uzuner Ö. De-identification of psychiatric intake records: Overview
of 2016 CEGS N-GRID shared tasks Track 1, Journal of Biomedical Informatics, 2017,
pp. 4-18. DOI: 10.1016/j.jbi.2017.06.011.
5. Lee H.J., Wu Y., Zhang Y., Xu J., Xu H., Roberts K. A hybrid approach to automatic deidentification
of psychiatric notes, Journal of Biomedical Informatics, 2017. DOI:
10.1016/j.jbi.2017.06.006.
6. Azad Dehghan, Aleksandar Kovacevic, George Karystianis, John A Keane, and Goran
Nenadic. Learning to identify Protected Health Information by integrating knowledge- and data-
driven algorithms: A case study on psychiatric evaluation notes, J Biomed Inform, 2017,
75S, pp. 28-33.
7. Liu Z., Tang B., Wang X., Chen Q. De-identification of clinical notes via recurrent neural network
and conditional random field, J Biomed Inform, 2017, 75S, pp. 34-42. DOI:
10.1016/j.jbi.2017.05.023.
8. Jiang Z., Zhao C., He B., Guan Y., Jiang J. De-identification of medical records using conditional
random fields and long short-term memory networks, J Biomed Inform, 2017, 75S,
pp. 43-53. – DOI: 10.1016/j.jbi.2017.10.003.
9. Filannino, Michele, Stubbs, Amber, Uzuner, Ozlem. Symptom severity prediction from neuropsychiatric
clinical records: Overview of 2016 CEGS N-GRID shared tasks Track 2. This issue,
Journal of Biomedical Informatics, 2017 November, 75 Suppl: S62-S70. DOI:
10.1016/j.jbi.2017.04.017.
10. Bedi G., Carrillo F., Cecchi G. et al. Automated analysis of free speech predicts psychosis
onset in high-risk youths // npj Schizophr. – 2015. – Vol. 1, 15030. – https://doi.org/10.1038/
npjschz.2015.30.
11. Elvevag B., Foltz P.W., Weinberger D.R., Goldberg T.E. Quantifying incoherence in speech:
an automated methodology and novel application to schizophrenia, Schizophr Res., 2007,
Numb. 93, pp. 304-316.
12. Landauer T.K., Dumais S.T. A solution to Plato's problem: the latent semantic analysis theory
of acquisition, induction, and representation of knowledge, Psychol Rev., 1997, Vol. 104,
pp. 211-240.
13. Zhang X., Wang R., Sharma A., et al. Artificial intelligence in cognitive psychology – Influence
of literature based on artificial intelligence on children's mental disorders, Aggression and
Violent Behavior, 2021. Available at: https://doi.org/10.1016/j.avb.2021.101590This.
14. Bird S., Klein E., Loper E. Natural Language Processing with Python, O'Reilly Media: Sebastopol.
USA, 2009.
15. Panjabi S. Language modelling with Penn Treebank. Available at: https://towardsdatascience.com
/language-modelling-with-penn-treebank-64786f641f6 (accessed 18 March 2022).
16. Natural Language Toolkit. Available at: http://www.nltk.org/ (accessed 10 February 2022).
17. Sutton C., McCallum A. An Introduction to Conditional Random Fields, Foundations and
Trends in Machine Learning, Vol. 4, No. 4, pp. 267-373. – http://dx.doi.org/10.1561/
2200000013.
18. Complete Tutorial on Parts Of Speech (PoS) Tagging. Available at: https://analyticsindiamag.com/
complete-tutorial-on-parts-of-speech-pos-tagging/ (accessed 1 January 2022).
19. NLP | Part of speech tagged – word corpus. Available at: https://www.geeksforgeeks.org/nlppart-
of-speech-tagged-word-corpus/ (accessed 11 February 2022).
20. Jang B., Kim M., Harerimana G., Kang S-u, Kim J.W. Bi-LSTM Model to Increase Accuracy
in Text Classification: Combining Word2vec CNN and Attention Mechanism, Applied Sciences,
2020; 10(17):5841. Available at: https://doi.org/10.3390/app10175841.
