Repurposing Large Language Models as Instruments to Detect Transdiagnostic Speech Deviations across the Psychosis–Affective Spectrum
Cette étude démontre que la quantification des écarts par rapport aux attentes des modèles de langage de grande taille (la surprisité) sert de marqueur scalable et robuste pour la détection des altérations transdiagnostiques du discours, particulièrement dans les troubles du spectre de la schizophrénie et les troubles bipolaires, bien que sa capacité à distinguer les patients individuellement demeure modeste.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Depuis des décennies, la psychiatrie s'appuie fortement sur la parole. Lorsqu'un médecin évalue un patient, il n'écoute pas seulement ce qui est dit, mais aussi la manière dont c'est dit. Il prête attention au flux des idées, à la connexion entre les phrases et au rythme de la parole. Ces schémas peuvent révéler de profonds troubles de la pensée, comme lorsque les pensées d'une personne deviennent désorganisées ou passent erratiquement d'un sujet à l'autre. C'est une caractéristique fondamentale de pathologies comme la schizophrénie, où la structure même du langage peut se décomposer. Cependant, écouter un patient et juger ces changements subtils est une tâche difficile pour les humains. Cela nécessite une formation intense, et même les experts sont souvent en désaccord sur ce qu'ils entendent. Parce qu'il n'existe pas de tests biologiques simples, comme une analyse de sang, pour diagnostiquer ces conditions, le domaine recherche depuis longtemps un moyen plus objectif de mesurer ces schémas de parole.
Récemment, un nouveau type de programme informatique est apparu et pourrait offrir une solution. Il s'agit des modèles de langage de grande taille, la même technologie qui alimente de nombreux agents conversationnels modernes. Ils sont entraînés sur de vastes quantités de textes provenant de livres, de sites web et de conversations, apprenant les règles statistiques de la façon dont les mots se suivent habituellement. En substance, ils construisent une carte interne massive de ce à quoi ressemble une conversation normale et saine. Les chercheurs ont commencé à se demander si ces programmes pourraient agir comme un nouvel instrument. Si la parole d'une personne s'écarte considérablement des schémas que l'ordinateur attend, cet écart pourrait-il servir de signe mesurable de maladie ? Cette question se situe à l'intersection de l'intelligence artificielle et de la santé mentale, demandant si la capacité d'une machine à prédire le mot suivant dans une phrase peut nous aider à comprendre l'esprit humain.
Une équipe de chercheurs en Allemagne s'est lancée dans le test de cette idée avec un large groupe de personnes. Ils ont réuni 371 participants, comprenant 178 individus sains et 194 patients diagnostiqués avec différentes pathologies psychiatriques. Les patients étaient répartis en trois groupes principaux : ceux souffrant de troubles du spectre de la schizophrénie, ceux souffrant de trouble bipolaire et ceux souffrant de trouble dépressif majeur. Pour s'assurer que tout le monde parlait dans des conditions similaires, les chercheurs ont demandé à chaque personne de regarder quatre images et de raconter une histoire sur ce qui se passait dans la scène. C'est un test standard utilisé en psychologie pour encourager une narration naturelle. Les chercheurs ont enregistré ces histoires, les ont transcrites en texte, puis les ont introduites dans un modèle de langage sophistiqué.
L'ordinateur a reçu pour instruction d'agir comme une personne saine. En lisant chaque histoire, il calculait un score pour chaque phrase en fonction de son degré de surprise face aux mots rencontrés. Si l'histoire suivait un flux attendu par l'ordinateur, le score de surprise était bas. Si l'histoire prenait un tournant inattendu, utilisait des combinaisons de mots étranges ou brisait les règles de grammaire de manière à interrompre le flux, le score de surprise augmentait. Les chercheurs ont appelé ce score « surprisal » (surprise). Ils ont ensuite comparé ces scores entre les différents groupes, en ajustant soigneusement des facteurs tels que l'âge, l'éducation et la longueur moyenne des phrases, pour s'assurer que les résultats n'étaient pas simplement le reflet de la durée de leurs interventions.
Les résultats ont révélé un schéma clair distinguant les groupes. Les histoires racontées par des personnes souffrant de troubles du spectre de la schizophrénie produisaient systématiquement des scores de surprise beaucoup plus élevés que celles des volontaires sains. Cela signifie que leur parole était nettement moins prévisible pour l'ordinateur, s'écartant des normes statistiques du langage sain. Les personnes souffrant de trouble bipolaire présentaient également des scores élevés, bien que l'effet soit moins marqué que dans le groupe de la schizophrénie. Étonnamment, les histoires des personnes souffrant de trouble dépressif majeur étaient indiscernables de celles des témoins sains. Leur parole était tout aussi prévisible que celle des volontaires sains, suggérant que le type spécifique de perturbation du langage mesuré par cette méthode n'est pas une caractéristique générale de toutes les maladies mentales, mais est plus étroitement lié au spectre de la psychose.
Les chercheurs ont également examiné si ces scores correspondaient à la gravité des symptômes des patients. Ils ont constaté que des scores de surprise plus élevés étaient liés à de plus grandes difficultés de pensée et de parole, telles que les pensées désorganisées souvent observées dans la schizophrénie. Cependant, ce lien était principalement dicté par les différences entre les groupes de diagnostic plutôt que par la gravité de l'état d'un patient donné à un moment précis. En d'autres termes, l'ordinateur était meilleur pour distinguer une personne atteinte de schizophrénie d'une personne saine que pour déterminer la sévérité des symptômes d'un patient spécifique à un instant T. L'étude a également confirmé que ces résultats n'étaient pas simplement dus au fait que les patients parlaient par phrases plus courtes ou avaient moins d'éducation ; l'effet persistait même après que les chercheurs eurent pris en compte ces facteurs.
Bien que la capacité de l'ordinateur à distinguer les groupes soit prometteuse, elle n'était pas parfaite. La technologie pouvait identifier des schémas que les évaluateurs humains pourraient manquer, mais elle n'était pas encore assez précise pour être utilisée comme un outil de diagnostic autonome. L'étude suggère que cette méthode capture un aspect réel et mesurable de la façon dont le langage se décompose dans certaines pathologies psychiatriques, offrant un nouveau moyen objectif d'observer la parole. Elle montre que les attentes statistiques d'une machine, entraînée sur le langage collectif de l'humanité, peuvent détecter les fractures subtiles, souvent invisibles, de la parole de ceux qui luttent contre la psychose. Cela ne remplace pas le besoin de médecins humains, mais offre un nouvel outil potentiel pour les aider à voir ce qui se passe dans l'esprit à travers les mots qu'une personne choisit de prononcer.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.