KI-Modell erkennt Depression aus natürlichen Gesprächen mit 77 % Genauigkeit

• MIT-Forscher entwickelten ein neuronales Netz, das depressive Muster aus rohem Audio und Text automatisch identifiziert – ohne vorgegebene Fragen.
• Das Modell ist „kontextfrei“, d.h. es kann jedes lockere Gespräch analysieren und linguistische sowie akustische Hinweise auf Depression extrahieren.
• In einer Validierungsstudie erreichte es 77 % Gesamtgenauigkeit und übertraf herkömmliche Q&A-basierte KI-Tools.

Traditionell ist der Patient Health Questionnaire (PHQ-9) der Goldstandard für Depressionsscreening. Er stellt neun festgelegte Fragen zu Stimmung, Schlaf, Appetit und Energielevel, um einen Score von 0 bis 27 zu berechnen; Werte über 20 deuten auf schwere Depression hin.

In den letzten Jahren haben Machine-Learning-Ansätze erfolgreich Sprachmarker – Intonation, Sprechrate, spezifische Wortwahl – für depressive Zustände identifiziert. Die meisten dieser Modelle verlassen sich jedoch auf Antworten auf PHQ-9 oder ähnliche strukturierte Interviews, was ihre Anwendbarkeit in realen Settings limitiert.

MITs neues neuronales Netz entfernt diese Einschränkung. Indem es Aufnahmen freier Interviews verarbeitet, lernt das System, subtile Muster zu erkennen – wie häufige Nutzung von Wörtern wie „down“, „low“, „sad“, gepaart mit flacher, monotoner Stimmqualität und langsamerer Sprechrate –, die stark mit Depression assoziiert sind.

Wie das Modell funktioniert

Der Algorithmus behandelt Sprache als Sequenz zeitgestempelter Audioframes und transkribierter Wörter. Er nutzt eine Deep-Sequence-Modeling-Architektur, die akustische Merkmale (Tonhöhe, Energie, Sprechrate) und linguistischen Inhalt gemeinsam analysiert. Da es nicht von einem festen Fragebogen abhängt, kann es auf beliebige Konversationsdaten angewendet werden – von klinischen Interviews bis zu alltäglichen Telefonaten.

Die Autoren bezeichnen dies als „kontextfreies Modeling“, da es Depressionsindikatoren unabhängig von den spezifisch gestellten Fragen erfasst.

Training, Validierung und Performance

Das Modell wurde an 142 Interaktionen aus dem Distress Analysis Interview Corpus (DAIC) trainiert, das Audio, Video und Text von Gesprächen mit gesunden Teilnehmern und Personen mit diagnostizierten psychischen Störungen enthält.

Depressionsgrad jedes Probanden wurde mittels PHQ-9 Score (0–27) quantifiziert. In der Studie wurden 28 Teilnehmer als depressiv klassifiziert (Scores ≥20). Das Netzwerk wurde an Precision und Recall evaluiert: 71 % Precision, 83 % Recall, ergab 77 % Gesamtgenauigkeit – eine deutliche Verbesserung gegenüber früheren KI-Ansätzen, die typischerweise bei 60–65 % lagen.

Zukünftige Arbeit wird das Netzwerk auf andere Zustände wie Demenz erweitern und die spezifischen akustisch-linguistischen Muster untersuchen, die seine Vorhersagen antreiben.

Langfristig könnte die Technologie in Mobile Apps integriert werden, um Sprache und Text der Nutzer passiv auf Anzeichen von Distress zu überwachen und Frühwarnungen für Personen zu bieten, die Barrieren beim Zugang zu psychischer Gesundheitsversorgung haben.

Lesen: Hirnstimulation kann Absicht zu Gewalttat verringern