An Integrative Assistive Tool for Depression Severity Estimation: Cross-Cultural Robustness of Facial Dynamics in Diverse Clinical Interviews

تخيل أنك تحاول فهم ما يشعر به شخص ما بمجرد مراقبته. لست بحاجة إلى سماع صوته أو قراءة مذكراته؛ فأحياناً، الطريقة التي يتحرك بها الشخص، أو يرمش بها، أو يغير بها تعبيرات وجهه، تحكي قصة قوية. هذا هو عالم العلوم السلوكية والذكاء الاصطناعي (AI) يعملان معاً. لقد عرف العلماء منذ زمن طويل أنه عندما يشعر الناس بالإحباط، تتغير أجسادهم بطرق دقيقة: قد يتحركون ببطء أكبر، أو يبتسمون بشكل أقل، أو تظهر في أعينهم نظرة "ثقيلة". التحدي الكبير كان في كيفية رصد هذه الإشارات الصغيرة والعابرة تلقائياً، خاصة عندما لا يمكننا الاعتماد على الصوت (الذي قد يكون مشوشاً) أو النص (الذي قد يكون خاصاً). تغوص هذه الورقة البحثية في زاوية محددة من هذا اللغز: هل يمكن للكمبيوتر أن يتعلم تخمين مدى شدة اكتئاب شخص ما بمجرد مشاهدة وجهه في فيديو، دون الحاجة لسماع كلمة واحدة؟

قام الباحثون وراء هذه الدراسة، بقيادة شو ليو ولان لي، ببناء أداة فيديو ذكية تسمى MMANet (والتي ترمز إلى شبكة المحاذاة الزمنية الدقيقة والكلية - Micro-Macro Temporal Alignment Network). فكر في الاكتئاب ليس كحالة مزاجية واحدة مستقرة، بل كفيلم يحتوي على نوعين مختلفين من المشاهد تحدث في وقت واحد. هناك "المشاهد الدقيقة" (micro): وهي لحظات خاطفة لا تتعدى أجزاء من الثانية مثل عبوس سريع، أو رمشة عين مفاجئة، أو نظرة حزن عابرة تستمر لجزء ضئيل من الثانية فقط. ثم هناك "المشاهد الكلية" (macro): وهي الأنماط الأطول والأبطأ، مثل جلوس شخص بوضعية منحنية لفترة طويلة، أو التحرك ببطء شديد، أو امتلاك تعبير وجه جامد بشكل عام لعدة دقائق.

غالباً ما كانت الأدوات السابقة تحاول مشاهدة الفيلم بأكمله دفعة واحدة، مما قد يؤدي إلى طمس تلك اللحظات الصغيرة والمهمة، أو كانت تركز فقط على المشاهد الطويلة وتفقد الومضات السريعة للمشاعر. لكن MMANet مختلفة لأنها تعمل مثل محرر فيديو شديد الانتباه. فهي تستخدم "مُنتخِباً موحداً ثنائي المقياس" (Dual-Scale Unified Selector) لمسح الفيديو واختيار الأجزاء الأكثر إثارة للاهتمام. فهي تلتقط اللحظات السريعة والحادة (الدقيقة) والمقاطع الطويلة والثابتة (الكلية) بشكل منفصل، ثم تجمع بينهما لتروي قصة كاملة. وللتأكد من أن هذين المنظورين المختلفين يتفقان مع بعضهما البعض، تستخدم الأداة تقنية تسمى "التعلم التبايني الخاضع للإشراف"، وهي تشبه معلماً يتأكد من أن ملاحظات الطالب حول اللحظات السريعة تتطابق مع ملاحظاته حول اللحظات الطويلة، مما يضمن اتساق الصورة النهائية.

اختبر الفريق هذه الأداة على ثلاث مجموعات مختلفة من الناس من ثقافات مختلفة: مجموعتان من الغرب (باستخدام مجموعات بيانات DAIC-WOZ وE-DAIC) ومجموعة واحدة من الصين (باستخدام مجموعة بيانات CMDC). أرادوا معرفة ما إذا كان بإمكان الأداة العمل عبر الثقافات واللغات المختلفة، بالاعتماد فقط على فيديو لوجه الشخص. كانت النتائج واعدة للغاية. ففي مجموعات البيانات الغربية، خمنت الأداة درجة شدة الاكتئاب بمتوسط خطأ (يسمى متوسط الخطأ المطلق، أو MAE) بلغ 3.83 و4.15 على التوالي. وفي المجموعة الصينية، كانت أكثر دقة، حيث بلغ متوسط الخطأ المطلق 3.04. ولو وضعت ذلك في الاعتبار، فإذا كانت درجة الاكتئاب رقماً من 0 إلى 24، فإن خطأ قدره 3.04 يعني أن تخمين الأداة كان، في المتوسط، بعيداً بنحو 3 نقاط فقط عن الدرجة الفعلية التي حددها الخبراء البشريون.

كما أجرى الباحثون تجارب لإثبات أن اختيارات التصميم المحددة كانت هي السبب في هذا النجاح. فقد وجدوا أنه إذا اختاروا مقاطع فيديو عشوائية أو مقاطع متباعدة بانتظام بدلاً من استخدام مُنتخِبهم الذكي "المدرك للأهمية"، فإن الأداة تصبح أسوأ بكما في التخمين (حيث ارتفع الخطأ إلى 4.81 في إحدى مجموعات البيانات). واكتشفوا أيضاً أن النظر في اللحظات السريعة فقط أو اللحظات البطيقة فقط لم يكن كافياً؛ بل احتاجت الأداة إلى عمل كليهما معاً لتحقيق أفضل النتائج. فعلى سبيل المثال، في المجموعة الصينية، أدى استخدام نوع واحد فقط من التوقيت إلى خطأ يقارب 4.4، بينما أدى الجمع بينهما إلى خفض الخطأ إلى 3.04.

ومع ذلك، فإن المؤلفين حذرون من تسمية هذا علاجاً سحرياً أو بديلاً للأطباء. إنهم يقترحون أن MMANet يمكن أن تكون "أداة مساعدة" للفحص — مثل خطوة أولى لمساعدة الأطباء في تحديد من يحتاج إلى نظرة فاحصة، خاصة في الأماكن التي تثير مخاوف بشأن الخصوصية أو حيث لا يمكن تسجيل الصوت. توضح الدراسة أن حركات الوجه تحمل الكثير من المعلومات المفيدة حول الاكتئاب، لكن المؤلفين يشيرون إلى أن هناك حاجة لمزيد من الاختبارات في العيادات الواقعية قبل أن يمكن استخدام هذا على نطاق واسع. كما أشاروا إلى أن مجموعة البيانات الصينية التي استخدموها كانت أصغر من المجموعات الأخرى، لذا يجب تفسير هذه النتائج بحذر. في النهاية، تقترح هذه الورقة أنه من خلال تعليم الذكاء الاصطناعي الانتباه لكل من الومضات السريعة والإيقاعات البطيئة للتعبير البشري، يمكننا بناء أدوات أفضل وأكثر احتراماً للخصوصية للمساعدة في فهم الصحة العقلية.