Bu tədqiqat psixiatrik klinik müsahibələrdə qeydə alınmış pasiyent nitqindən törədilən mel-spektroqramların dərin öyrənmə ilə təhlil edilərək yaxın zamanda intihar cəhdi etmiş pasiyentlərlə ağır depressiyası olan, lakin sənədləşdirilmiş intihar düşüncəsi olmayan pasiyentlərin akustik baxımdan fərqləndirilib-fərqləndirilə bilməyəcəyini araşdırır. Multi-Scale Convolutional Neural Network (Multi-Scale CNN) müxtəlif miqyaslardakı zaman-tezlik nümunələrini çıxaran paralel konvolyusiya qatlarını residual əlaqələr və məkan attention mexanizmi ilə birləşdirən ikiölçülü dərin öyrənmə təsnifatçısıdır. Tədqiqatda Rumıniyadakı iki psixiatriya xəstəxanasından 88 yetkin stasionar pasiyentin qeydləri istifadə olunub: 59 pasiyent yaxın zamanda intihar cəhdindən sonra hospitalizasiya edilib, 29 pasiyent isə ağır depressiyası olan, lakin sənədləşdirilmiş intihar düşüncəsi və ya yaxın dövrdə intihar davranışı olmayan klinik müqayisə qrupunu təşkil edib. Pasiyent səviyyəsində təkrarlanan, təbəqələndirilmiş beşqat çarpaz doğrulamada modelin orta dəqiqliyi %72,67 ± 6,44, ROC-AUC göstəricisi 0,824 ± 0,054, həssaslığı %88,3 ± 9,5 və spesifikliyi %41,3 ± 25,0 olub. Bununla yanaşı, nümunənin kiçik olması, xarici doğrulamanın olmaması, gender bölgüsündə balanssızlıq, dərman məlumatlarının çatışmazlığı və müsahibə şəraitindəki fərqlər nəticələrin klinik ümumiləşdirilə bilməsini məhdudlaşdırır.

Tədqiqatın klinik motivasiyası “dissimulation” adlandırılan gizlətmə probleminə əsaslanır: intihar düşüncəsi olan bəzi pasiyentlər qiymətləndirmə zamanı bunu inkar edə və ya açıqlamaya bilər. Lakin bu tədqiqat düşüncəsini fəal şəkildə gizlədən pasiyentləri təsnif etmək üçün dizayn edilməyib. Modelin etdiyi şey yaxın zamanda intihar cəhdi etmiş pasiyentlərin qeyd şəraitindəki səs nümunələrini ağır depressiya qrupunun səs nümunələrindən ayırmağa çalışmaqdır. Buna görə nəticələr “səs gizlədilən intihar niyyətini aşkar edir” kimi şərh edilə bilməz.

Modelin yüksək həssaslığı yaxın zamanda intihar cəhdi etmiş pasiyentlərin mühüm hissəsini müvafiq sinfə təyin etdiyini göstərdiyi halda, aşağı spesifikliyi depressiya qrupunda yüksək yanlış-müsbət yükünə işarə edir. Bundan əlavə, gender üzrə uyğunlaşdırılmış analizdə ROC-AUC-nin 0,621 ± 0,156-ya enməsi əsas məlumat dəstindəki fərqləndirmənin bir hissəsinin genderlə əlaqəli səs fərqlərindən təsirlənmiş ola biləcəyini göstərir. Deməli, tədqiqat klinik diaqnoz qoyan avtonom səs sistemi deyil, gələcəkdə inkişaf etdirilə biləcək tamamlayıcı qərar-dəstək yanaşması üçün erkən mərhələ sübutu yaradır.

İntihar riskinin qiymətləndirilməsində əsas çətinliklərdən biri klinisistin mühüm miqdarda məlumatı pasiyentin öz bildirişindən əldə etməsidir. Mənbə tədqiqat ədəbiyyatda intihar düşüncəsi olan bəzi şəxslərin qiymətləndirmə zamanı bu düşüncələri inkar etdiyinə dair nəticələrdən çıxış edərək semantik məzmundan kənarda qalan informasiya kanalının araşdırılmasını təklif edir. Bu kanal pasiyentin nə dediyindən daha çox, nitqin akustik quruluşunun hansı nümunələri daşımasıdır.

Tədqiqatın sualı səsin təkbaşına “intihar niyyətini oxuya bilib-bilməməsi” deyil. Daha dar və ölçülə bilən sual budur: yaxın zamanda intihar cəhdi etmiş ağır depressiyalı pasiyentlərlə ağır depressiyası olan, lakin sənədləşdirilmiş intihar düşüncəsi olmayan pasiyentlərin klinik müsahibə zamanı yaratdıqları nitq maşın öyrənməsi tərəfindən pasiyent səviyyəsində fərqləndirilə bilən akustik nümunələr daşıyırmı?

Səs analizi gizlədilən intihar niyyətini birbaşa aşkar edirmi?

Xeyr. Bu tədqiqat intihar düşüncəsini fəal şəkildə gizlədən şəxsləri müəyyən edən eksperiment aparmayıb; yaxın zamanda intihar cəhdi etmiş pasiyentlərin səs qeydləri ilə ağır depressiya qrupunun qeydləri arasındakı akustik fərqləndirilə bilməni sınaqdan keçirib. Buna görə əldə edilən performans göstəriciləri gizlədilən intihar niyyətinin klinikada səs vasitəsilə etibarlı şəkildə müəyyən edilə bildiyinə sübut deyil.

Bu fərq tədqiqatın başlığını düzgün şərh etmək baxımından mərkəzidir. Tədqiqatçılar “gizlətməyə davamlı” qiymətləndirmə sisteminin elmi baxımdan mümkün olması üçün əvvəlcə müvafiq klinik qruplar arasında səs siqnalında təkrarlana bilən fərqlərin tapılmasının lazım olduğunu müdafiə edirlər. Mövcud tədqiqat bu zəruri ilkin şərti araşdırır. Lakin yetərli şərt olan, şəxsin intihar düşüncəsini birbaşa inkar etdiyi anda sistemin gizlədilən riski prospektiv şəkildə tuta bilməsi hələ göstərilməyib.

Səs niyə araşdırılır?

İnsan səsi yalnız sözlərdən ibarət deyil. Tənəffüs sistemi, qırtlaq, səs telləri və supralaringeal vokal traktın koordinasiyası nitqin əsas fiziki infrastrukturunu təşkil edir. Mənbə tədqiqatın əsaslandığı neyrofizioloji çərçivədə avtonom sinir sistemi; əsas tezlik, səs keyfiyyəti, jitter, shimmer və spektral enerji paylanması kimi ölçülə bilən xüsusiyyətlərə təsir göstərə bilər. Bu təsirlərin hamısı danışanın şüurlu nəzarətinə eyni dərəcədə açıq deyil.

Tədqiqatın hipotezi buradan inkişaf edir: güclü emosional və fizioloji vəziyyətlərin nitqin zaman-tezlik quruluşunda birləşmiş iz buraxması və dərin neyron şəbəkəsinin ayrı-ayrılıqda əl ilə seçilmiş xüsusiyyətlərdən daha çox bu çoxdəyişənli nümunəni öyrənməsi mümkündür. Lakin tədqiqat hər hansı tək akustik xüsusiyyətin intihar davranışına xas olduğunu göstərmir.

Klinik müqayisə niyə sağlam şəxslərlə deyil, ağır depressiyalı pasiyentlərlə aparıldı?

Tədqiqatda ağır depressiya qrupu aktiv klinik nəzarət kimi istifadə olunub. Bunun mühüm səbəbi depressiyanın özünün nitq sürəti, pitch dəyişkənliyi, psixomotor aktivlik və spektral enerji kimi vokal xüsusiyyətlərdə dəyişikliklərlə əlaqəli ola bilməsidir. Əgər yaxın zamanda intihar cəhdi etmiş pasiyentlər yalnız sağlam şəxslərlə müqayisə edilsəydi, modelin depressiyaya aid ümumi vokal dəyişiklikləri, yoxsa cəhdlə əlaqəli əlavə nümunəni öyrəndiyini ayırd etmək daha çətin olardı.

Bununla belə, aktiv nəzarət dizaynı bütün qarışdırıcı amilləri aradan qaldırmayıb. İki qrupun gender bölgüsü nəzərəçarpacaq dərəcədə fərqlidir: intihar cəhdi qrupunun %49,2-si kişi olduğu halda, depressiya qrupunun yalnız %17,2-si kişidir. Bu fərq statistik olaraq əhəmiyyətli tapılıb. Səsin əsas tezliyi və digər spektral xüsusiyyətləri bioloji cinsdən təsirlənə bildiyi üçün model qrup etiketlərini qismən bu xüsusiyyətlər üzərindən ayırmış ola bilər.

Nitq qeydi necə toplanıb?

Tədqiqata Dekabr 2023 ilə Sentyabr 2024 arasında Rumıniyadakı iki psixiatriya xəstəxanasından 18–65 yaş aralığında 88 yetkin pasiyent cəlb edilib. Bütün iştirakçılarda ağır depressiya əsas diaqnozu olub. Qeydlər hər iki mərkəzdə Sony ICD-PX240 rəqəmsal səs yazıcılarından istifadə edilərək sakit klinik müsahibə otaqlarında aparılıb. Orijinal qeydlər 44,1 kHz seçmə tezliyi və 128 kbps MP3 formatında götürülüb. Hər müsahibə təxminən 8–12 dəqiqə davam edib.

Müsahibələr yarımstrukturlaşdırılmış iki hissədən ibarət olub. İntihar cəhdi qrupunda birinci hissə cəhdə və əlaqəli emosional vəziyyətlərə fokuslandığı halda, depressiya qrupunda pasiyentin cari emosional vəziyyəti müzakirə edilib. İkinci hissədə hava və hobbilər kimi daha neytral mövzular danışılıb. Bu quruluş emosional cəhətdən nəzərəçarpan və neytral nitq hissələri əldə etməyi hədəfləyib.

Lakin müsahibə aparanlar pasiyentlərin hansı klinik qrupda olduğunu bilirdilər və iki qrupun ilk müsahibə mövzuları eyni deyildi. Buna görə danışanın emosional oyanıqlığında və ya prosodiyasında bəzi fərqlər yalnız klinik vəziyyətdən deyil, danışılan mövzudan və ya müsahibə qarşılıqlı təsirindən də qaynaqlanmış ola bilər. Müəlliflər buna görə nəticələri unikal “intihara xas səs biomarkeri” sübutu kimi deyil, bu müsahibə şəraitində iki qrupun akustik fərqləndirilə bilməsi kimi məhdudlaşdırırlar.

Müsahibə aparanın səsi modelə daxil oldumu?

Xeyr. Xam müsahibələr əvvəlcə əvvəlcədən öyrədilmiş pyannote/speaker-diarization-3.1 modeli ilə avtomatik danışan ayrımına məruz qalıb, daha sonra danışan təyinatları tədqiqat qrupu tərəfindən əl ilə təsdiqlənib. Yalnız pasiyentə aid nitq seqmentləri saxlanılıb; müsahibə aparanın səsi sükutun təmizlənməsi, mel-spektroqram yaradılması, CNN təlimi və modelin qiymətləndirilməsindən əvvəl tamamilə çıxarılıb.

Bu addım eyni zamanda mühüm məlumat sızmasının qarşısının alınmasına qoşulub. Bir iştirakçıya aid bütün səs seqmentləri eyni çarpaz doğrulama bölməsində saxlanılıb. Beləliklə, eyni şəxsin bəzi parçalarının təlimdə, digərlərinin testdə olması əngəllənib. Bu ayrım edilməsəydi, model klinik sinifdən daha çox danışanın kimliyini öyrənərək həqiqətdə olduğundan yüksək performans göstərə bilərdi.

Mel-spektroqram və Multi-Scale CNN bu tədqiqatda necə istifadə edildi?

Tədqiqatda pasiyent nitqi iki saniyəlik üst-üstə düşən hissələrə bölünüb, hər hissə 128 mel tezlik zolağından ibarət sabit ölçülü zaman-tezlik təsvirinə çevrilib və Multi-Scale CNN bu təsvirlərdəki incə və genişmiqyaslı spektro-temporal nümunələri paralel konvolyusiyalar, residual əlaqə və attention mexanizmi ilə öyrənərək iki klinik sinif üçün ehtimal yaradıb.

Səs siqnalından modelə gedən ilkin emal zənciri

Mənbədə STFT üçün 2048 nümunəlik pəncərənin 22.050 Hz-də təxminən 93 ms-ə, 512 nümunəlik hop uzunluğunun isə təxminən 23 ms-ə uyğun gəldiyi bildirilir. Qısa spektroqramlar sıfırla doldurulub, uzun olanlar 100 zaman çərçivəsinə kəsilib.

12. səhifədəki mənbə Şəkil 1 iki klinik qrupdan təmsilçi mel-spektroqram nümunələrini göstərir. Müəlliflərin xüsusi vurğuladığı məqam budur ki, bu iki təsvirin insan gözü üçün açıq sinif fərqi göstərməsi gözlənilmir. Fərqləndirmə tək bir nəzərəçarpan xətt və ya tezlik zolağından deyil, CNN-in çoxsaylı seqmentlər boyunca öyrəndiyi mürəkkəb spektro-temporal nümunələrdən yaranır.

Multi-Scale CNN arxitekturasının məntiqi

Modelin ilk mərhələsində eyni spektroqram iki paralel konvolyusiya yoluna göndərilir. Birinci yol 32 ədəd 3 × 3 nüvə istifadə edərək daha lokal və incə spektro-temporal detalları emal edir. İkinci yol 32 ədəd 5 × 5 nüvə ilə daha geniş kontekstual nümunələrə baxır. İki yolun çıxışları kanal ölçüsündə birləşdirilərək 64 kanallı xüsusiyyət xəritəsi əldə edilir.

Birləşmiş xüsusiyyətlər 64 filtrli 3 × 3 Conv2D qatı və Batch Normalization prosesindən keçir. Ardınca residual quruluş daxilində 3 × 3 konvolyusiyalı çevrilmə yolu ilə 1 × 1 proyeksiya qısayolu birləşdirilir. Residual əlaqə şəbəkənin daha dərin təmsillər öyrənərkən gradient axınını qorumasına kömək edən arxitektura komponentidir.

ReLU və 2 × 2 max pooling-dən sonra 128 filtrli başqa bir 3 × 3 Conv2D qatı və Batch Normalization tətbiq olunur. Sonra xüsusiyyət xəritələri attention mexanizminə ötürülür. Bu mexanizm spektroqramın bütün bölgələrinə bərabər çəki vermək əvəzinə təsnifat baxımından daha fərqləndirici görünən məkan/zaman-tezlik bölgələrinə daha çox çəki verməyi öyrənir.

Attention çıxışı 128 vahidli tam əlaqəli ReLU qatına, daha sonra 0,5 dropout nisbətinə və iki sinifli softmax çıxışına ötürülür. Mənbədə ümumi parametr sayı 170.691 kimi verilir; bunların 170.307-si öyrədilə bilən, 384-ü isə Batch Normalization işçi statistikalarından qaynaqlanan öyrədilə bilməyən parametrlərdir.

Seqment proqnozundan pasiyent proqnozuna necə keçildi?

CNN iki saniyəlik çoxsaylı nitq seqmentləri üzərində işləsə də, məqalənin əsas performans nəticələri seqment səviyyəsində deyil, pasiyent səviyyəsində hesablanıb. Eyni pasiyentə aid seqment sinifləri səs çoxluğu ilə birləşdirilərək yekun pasiyent sinfi müəyyən edilib. ROC-AUC hesabında isə həmin pasiyentin bütün seqmentləri üçün yaradılan intihar-cəhdi sinfi ehtimallarının ortası istifadə olunub.

Bu seçim metodoloji baxımdan kritikdir; çünki minlərlə səs seqmentinin olması 88 müstəqil pasiyentdən minlərlə müstəqil nümunə əldə edilməsi demək deyil. Eyni şəxsdən əldə edilən seqmentlər eyni səs istehsal sistemini, eyni qeyd şəraitini və qismən eyni zaman intervalını paylaşır.

Tədqiqatın Metodu və Nəticələri

Tədqiqatın əsas analizi 88 pasiyentin hamısında pasiyent səviyyəsində təbəqələndirilmiş beşqat çarpaz doğrulamaya əsaslanır. 59 pasiyent yaxın zamanda intihar cəhdi etmiş sinifdə, 29 pasiyent isə ağır depressiya müqayisə sinfindədir. Hər qatlamada eyni şəxsə aid bütün nitq parçaları yalnız təlim və ya yalnız test tərəfində saxlanılıb.

Nümunənin quruluşu

İki qrupun gender bölgüsündəki fərq χ² testi ilə p < 0,01 səviyyəsində əhəmiyyətli tapılıb. Buna görə əsas analizə əlavə olaraq yalnız qadınlar, yalnız kişilər və gender üzrə uyğunlaşdırılmış nümunələrdə tamamlayıcı analizlər aparılıb.

Əsas pasiyent-səviyyəli performans

ROC-AUC 0,824 yüksək həssaslıq və aşağı spesifikliklə birlikdə necə şərh edilməlidir?

ROC-AUC 0,824 modelin iki klinik qrupu müxtəlif qərar hədləri boyunca ayıra bildiyini göstərdiyi halda, %88,3 həssaslıqla %41,3 spesifiklik seçilmiş tədqiqat şəraitində modelin cəhd qrupunu tutmağa meyilli olduğunu, lakin bunun depressiya qrupunda çoxlu yanlış-müsbət təsnifat hesabına baş verdiyini göstərir; buna görə AUC təkbaşına klinik istifadəyə hazır risk testi demək deyil.

Bu məqam xüsusilə intihar riski kimi aşağı baza tezlikli və klinik xərclərin asimmetrik olduğu sahələrdə vacibdir. Yanlış-mənfi nəticə klinik cəhətdən ciddi riski gözdən qaçıra bildiyi halda, yanlış-müsbət nəticə lazımsız müdaxilə, pasiyent narahatlığı, etimad itkisi və ya lazımsız məhdudlaşdırıcı klinik qərarlar kimi nəticələrə səbəb ola bilər. Mənbə tədqiqat hər hansı klinik istifadə həddi təklif etmir.

Genderə nəzarət edilən analizlər nə göstərdi?

Yalnız qadınlardan ibarət analizdə orta ROC-AUC 0,866 ± 0,123 kimi bildirilib. Kişilərə məxsus kəşfiyyat analizində ROC-AUC təxminən 0,786 tapılıb; lakin depressiya qrupunda yalnız beş kişi olduğu üçün bu nəticə etibarlı müstəqil doğrulama kimi qiymətləndirilməyib.

Gender üzrə uyğunlaşdırılmış təkrarlanan analizlərdə ROC-AUC 0,621 ± 0,156 səviyyəsinə enib. Bu enmə tam nümunədəki ayırdetmə gücünün bir hissəsinin gender bölgüsü və genderlə əlaqəli akustik xüsusiyyətlərdən təsirlənmiş ola biləcəyini göstərir. Eyni zamanda performansın tamamilə təsadüf səviyyəsinə enməməsi müşahidəsi genderdən başqa əlavə akustik məlumatın ola biləcəyi hipotezini açıq saxlayır. Lakin bu ikinci şərh xarici doğrulama olmadan qəti intihara xas biomarker sübutu yaratmır.

Multi-Scale CNN klassik modeldən üstün idimi?

Mənbə tədqiqat eyni pasiyent-səviyyəli çarpaz doğrulama bölmələrində MFCC xüsusiyyətlərindən istifadə edən Random Forest modelini də qiymətləndirib. Nəticələr CNN-in klassik bazaya açıq üstünlüyü olmadığını göstərir.

Pasiyent səviyyəsində uyğunlaşdırılmış təsnifatlar üçün exact McNemar testi p = 0,804 verib. Bu nəticə mövcud məlumat dəstində iki yanaşma arasında statistik olaraq əhəmiyyətli təsnifat fərqinin göstərilmədiyi deməkdir. Buna görə tədqiqatın elmi töhfəsini “dərin öyrənmə klassik üsulu keçdi” kimi təqdim etmək düzgün deyil.

Həddindən artıq öyrənmə riski niyə yüksəkdir?

Multi-Scale CNN 170.691 parametrə qarşı yalnız 88 müstəqil pasiyentə malikdir. Mənbə bu nisbəti təxminən 1940 parametr/pasiyent kimi hesablayır. Seqmentasiya nəticəsində ümumilikdə 8037 spektroqram yaradıldığı bildirilsə də, eyni pasiyentdən gələn seqmentlər müstəqil nümunələr deyil; danışan kimliyini, qeyd şəraitini və %50 zaman üst-üstə düşməsini paylaşırlar. Buna görə real müstəqil nümunə ölçüsünü minlərlə spektroqram kimi deyil, 88 pasiyent kimi qiymətləndirmək lazımdır.

Təlim əyrilərində təlim dəqiqliyinin təxminən %97–98-ə yaxınlaşdığı halda doğrulama performansının daha aşağı səviyyədə qalması da həddindən artıq öyrənmə riskinin tam aradan qalxmadığını düşündürür. Müəlliflər buna görə nəticələri erkən mərhələ və kəşfiyyat xarakterli kimi təsvir edirlər.

Mənbədə təkrar istehsal oluna bilmə baxımından mühüm metod uyğunsuzluğu

Məqalənin metod bölməsi ilə məhdudiyyətlər bölməsi bəzi təlim təfərrüatlarında bir-biri ilə uyğun gəlmir. Metod bölməsində TensorFlow/Keras 2.x, Adam optimizer, başlanğıc öyrənmə sürəti 2 × 10⁻⁴, batch size 16 və 20 epoch bildirilir. Eyni bölmə açıq şəkildə erkən dayandırmadan istifadə edilmədiyini, məlumat artırılmasının tətbiq olunmadığını və explicit class weighting istifadə edilmədiyini deyir.

Bunun əksinə, məhdudiyyətlər bölməsində SpecAugment və class-weighted training-in istifadə edildiyi, həmçinin early stopping-in tətbiq edildiyi yazılır. Başqa bir məhdudiyyət ifadəsində təlim dəqiqliyinin təxminən %98-ə 60 epoch boyunca çatdığından bəhs edilir. Bu ifadələr eyni yekun təlim protokolunu birlikdə təsvir edə bilməz. Verianla bu ziddiyyəti təxmin yolu ilə həll etmir; modelin tam təkrar istehsalı üçün hansı təlim konfiqurasiyasının yekun analizə aid olduğunun müəlliflər və ya tədqiqat kodu ilə təsdiqlənməsi lazımdır.

Alternativ izahlar

Müəlliflər müşahidə edilən akustik fərqləndirmənin mütləq intihar davranışına xas fizioloji imza demək olmadığını ətraflı müzakirə edirlər. Birinci mühüm ehtimal dərman təsirləridir. Psixotrop dərmanların psixomotor aktivlik, tənəffüs nəzarəti, fonasiya və qırtlaq əzələ tonusu üzərində təsirləri ola bilər; lakin iştirakçıların dərman məlumatları sistematik şəkildə qeydə alınmayıb.

İkinci ehtimal kəskin böhrandan sonrakı fizioloji vəziyyətdir. İntihar cəhdindən sonra xəstəxanaya yeni yerləşdirilmiş pasiyentin yorğunluq, sedasiya və ya böhrandan sonrakı oyanıqlıq səviyyəsi depressiyaya görə xəstəxanada olan, lakin fərqli hospitalizasiya mərhələsində qeydə alınmış başqa pasiyentdən fərqli ola bilər.

Üçüncü ehtimal müsahibə kontekstidir. Müsahibə aparanın səsi model girişindən çıxarılsa belə, onun bildiyi klinik vəziyyət və fərqli suallar pasiyentin verdiyi cavabların emosional intensivliyini və prosodik quruluşunu dəyişdirə bilər.

Dördüncü ehtimal depressiyanın ağırlığıdır. Hər iki qrupda ağır depressiya olsa da, cəhd etmiş qrupun orta xəstəlik ağırlığı, ümidsizlik və ya psixomotor pozuntu səviyyəsi fərqli ola bilər. Belə halda model intihar davranışının özünü deyil, onunla əlaqəli daha yüksək klinik ağırlığı öyrənmiş ola bilər.

Beşinci böyük amil gender balanssızlığıdır. Gender uyğunlaşdırılmasından sonra ROC-AUC-nin nəzərəçarpacaq dərəcədə enməsi bu qarışdırıcı təsirin nəzəri olmaqdan kənara çıxaraq nəticələrə əks olunduğunu göstərir.

Tədqiqatın nəticəsi klinikada müstəqil intihar riski testinin istifadə edilə biləcəyini göstərirmi?

Xeyr. Tədqiqatda xarici doğrulama aparılmayıb, prospektiv intihar davranışı proqnozlaşdırılmayıb və klinik istifadə həddi sınaqdan keçirilməyib; tədqiqatçılar səs əsaslı təsnifatı əhatəli klinik qiymətləndirmənin əvəzinə deyil, gələcəkdə doğrulanması lazım olan tamamlayıcı qərar-dəstək informasiya kanalı kimi mövqeləndirirlər.

Etik sərhədlər

Səs qeydləri biometrik və sağlamlıqla bağlı həssas məlumatdır. Mənbə gələcəkdə fasiləsiz səs monitorinqi kimi tətbiqə keçilərsə, məlumatlandırılmış razılığın, kəskin psixiatrik xəstəlik zamanı qərarvermə qabiliyyətindəki dəyişikliklərin, məlumat şifrələməsinin, giriş nəzarətinin, fərdi məlumat qanunvericiliyinin və alqoritmik şəffaflığın mərkəzi dizayn tələbləri olmalı olduğunu vurğulayır.

Yanlış-müsbət və yanlış-mənfi nəticələrin xərcləri də simmetrik deyil. Yanlış-müsbət alarm lazımsız klinik müdaxilələrə və terapevtik etimadın zədələnməsinə səbəb ola bilər. Yanlış-mənfi isə klinisistə əsassız güvən verə bilər. Buna görə mövcud proof-of-concept məlumatlarından real klinik alarm həddi çıxarıla bilməz.

Ümumiləşdirilə bilmə sərhədi

Tədqiqat Rumıniyadakı iki psixiatriya xəstəxanasından və rumın dilində aparılmış müsahibələrdən ibarətdir. İnsan səs istehsalının əsas neyrofiziologiyası dillər arasında ortaq komponentlərə malik olsa da, modelin müxtəlif dillərə, mədəniyyətlərə, mikrofonlara, klinik mühitlərə və ya qeyd protokollarına avtomatik ümumiləşdiriləcəyi fərz edilə bilməz. Mənbə də səs əsaslı modellərdə çarpaz məlumat dəsti və çarpaz dil ötürülməsində performans itkilərinin mövcud olduğuna diqqət çəkir.

Gələcək tədqiqatların prioritetləri

Müəlliflər növbəti mərhələ üçün ən azı 500 iştirakçını əhatə edən çoxmərkəzli doğrulama tədqiqatını prioritet kimi təklif edirlər. Bu dizaynın balanslaşdırılmış demoqrafik bölgü, standartlaşdırılmış müsahibələr, müstəqil xarici doğrulama kohortları və mümkün olduqda birdən çox dil və qeyd mühitini əhatə etməsi planlaşdırılır.

Digər mühüm hədəf prospektiv uzununa izləmədir. Belə tədqiqatda pasiyentlərdən xəstəxanadan çıxdıqdan sonra gündəlik səs nümunələri götürülə və model skorundakı dəyişikliklərin klinik pisləşmədən və ya təkrar intihar davranışından əvvəl ortaya çıxıb-çıxmadığı sınaqdan keçirilə bilər. Bu ssenari mövcud məqalədə həyata keçirilməyib.

Bundan əlavə, səs biomarkerlərinin C-SSRS kimi strukturlaşdırılmış alətlər və klinik qiymətləndirmə üzərinə həqiqətən əlavə proqnoz dəyəri təmin edib-etmədiyi çoxdəyişənli modellərlə sınaqdan keçirilməlidir. Səs, depressiya ağırlığı, dərmanlar, fizioloji göstəricilər və neyrogörüntüləmə birlikdə araşdırılsa, CNN-in öyrəndiyi təmsilin hansı hissəsinin intihar davranışı ilə, hansı hissəsinin demoqrafik və ya klinik birgə dəyişənlərlə əlaqəli olduğu daha yaxşı başa düşülə bilər.

Mənbə və Metod Qeydi

Orijinal tədqiqat: Addressing the Dissimulation Problem in the Assessment of Suicide Risk Using CNN-Based Voice Analysis: A Proof-of-Concept Study.

Müəlliflər: Adela Magdalena Ciobanu; Ana Voichita Tebeanu; Vlad Tau; Anca Ana Chendea; Eduard Dan Franti; Catalin Niculae; Claudiu Ionut Vasile; George Florian Macarie; Liliana Neagu; Monica Dascalu; Cristian Ioan Stoica; Marius Moga; Gabriela Iorgulescu.

Məsul müəlliflər: Ana Voichita Tebeanu və Vlad Tau.

Əsas qurumlar: University of Medicine and Pharmacy “Carol Davila”; “Prof. Dr. Al. Obregia” Psychiatry Clinical Hospital; National University of Science and Technology Politehnica Bucharest; Eden Health SRL; IMT Bucharest; Research Institute for Artificial Intelligence “Mihai Draganescu”; Areus Technology; “Elisabeta Doamna” Psychiatry Hospital; “Dunarea de Jos” University; Clinica PSIHOGER.

Jurnal: Psychiatry International.

Nəşriyyat: MDPI.

Biblioqrafik qeyd: Psychiatry International, 2026, 7(4), 174.

DOI: 10.3390/psychiatryint7040174.

Nəşr tarixi: 4 Avqust 2026.

Mənbə versiyası: Version of Record.

Məqalə növü: Article; klinik proof-of-concept təsnifat tədqiqatı.

Lisenziya: Creative Commons Attribution (CC BY). PDF-də lisenziyanın versiya nömrəsi ayrıca göstərilmədiyinə görə versiya təxmin edilməyib.

Etika: Tədqiqat Helsinki Bəyannaməsinə uyğun aparılıb və “Prof. Dr. Al. Obregia” Psychiatry Clinical Hospital ilə “Elisabeta Doamna” Psychiatry Hospital etik komitələrindən təsdiq alınıb. Bütün iştirakçılardan yazılı məlumatlandırılmış razılıq alınıb.

Maliyyələşdirmə: Tədqiqat üçün xarici maliyyələşdirmə bildirilməyib. Məqalənin nəşri University of Medicine and Pharmacy Carol Davila-nın “Publish not Perish” institusional proqramı tərəfindən dəstəklənib.

Məlumat əlçatanlığı: Kimliyi müəyyən edilə bilən psixiatrik pasiyent səs qeydləri və klinik məlumatlar məxfilik və razılıq şərtlərinə görə ictimaiyyətə açıq deyil. Geri çevrilə bilən səs məzmunu daşımadığı bildirilən mel-spektroqram xüsusiyyət matrisləri, model arxitekturası kodu və təlim skriptləri müvafiq etik təsdiq və məlumatdan istifadə razılaşması şərtləri altında məsul müəllifdən əsaslandırılmış tələb əsasında istənilə bilər.

Maraqların toqquşması bəyanatı: Vlad Tau, Catalin Niculae və George Florian Macarie tədqiqat zamanı müvafiq olaraq Eden Health SRL, Areus Technology və Clinica PSIHOGER ilə əmək münasibətində idilər. Müəlliflər bu qurumların tədqiqat nəticələrində maliyyə və ya kommersiya marağı olmadığını bildiriblər. Digər müəlliflər kommersiya və ya maliyyə maraqlarının toqquşmasını bildirməyiblər.

Generativ süni intellekt bəyanatı: Müəlliflər məqalə hazırlanarkən Claude Opus 4.7-dən mətn layihələndirmə/redaktə, ədəbiyyat axtarışına dəstək, biblioqrafik metadata-nın doğrulanması, bəzi statistik hesablamaların şərhinə yardım və mənbə formatlaşdırması üçün istifadə etdiklərini bildiriblər. Alət; tədqiqat dizaynı, pasiyent cəlbi, müsahibə, ilkin səs məlumatlarının təhlili, CNN modelinin inkişafı və ya təlimi və şəkil istehsalı üçün istifadə edilməyib.

Əsas metodoloji məhdudiyyətlər: 88 nəfərlik nümunə; 170.691 parametrli modelə qarşı yüksək parametr/pasiyent nisbəti; xarici doğrulamanın olmaması; 59/29 sinif balanssızlığı; nəzərəçarpacaq gender balanssızlığı; yalnız rumın dili və iki mərkəzli məlumat; dərman qeydlərinin olmaması; müsahibə mövzusu və müsahibə aparan təsirləri; MP3 itkili sıxılma; həqiqi prospektiv risk əvəzinə keçmiş klinik hadisə etiketinin istifadə olunması; müxtəlif dil və mərkəzlərə ümumiləşdirilə bilmənin sınaqdan keçirilməməsi.

Mənbədaxili təkrar istehsal oluna bilmə xəbərdarlığı: Metod bölməsi 20 epoch, erkən dayandırma yox, məlumat artırılması yox və sinif çəkisi yox kimi bildirərkən; məhdudiyyətlər bölməsi 60 epoch-a çatan təlimdən, SpecAugment-dan, sinif-çəkili təlimdən və early stopping istifadəsindən bəhs edir. Bu ziddiyyət Verianla tərəfindən səssiz şəkildə həll edilməyib; yekun təlim protokolunun mənbə kodu və ya müəllif izahı ilə təsdiqlənməsi lazımdır.

Vizual istifadə qeydi: Mənbə Şəkil 1–6 birbaşa kopyalanmayıb. Mel-spektroqram, CNN arxitekturası və performans məlumatlarının elmi mesajları müstəqil Verianla izahı və yenidən qurulmuş HTML cədvəlləri ilə çatdırılıb.

Klinik istifadə sərhədi: Bu tədqiqatın modeli diaqnoz qoyan və ya təkbaşına intihar riskini müəyyən edən klinik alət kimi doğrulanmayıb. Mənbənin öz yanaşması da sistemi gələcəkdə yalnız klinik qərar dəstəyinin bir hissəsi kimi mövqeləndirir.