AI 모델, 자연 대화만으로 우울증 77% 정확도 탐지

• MIT 연구진이 사전 정의 질문 없이 원시 오디오와 텍스트에서 우울증 패턴을 자동 식별하는 신경망 개발.
• 모델은 '문맥 자유(context-free)'로 일상 대화 아무거나 분석해 우울증 연관 언어·음향 단서 추출.
• 검증 연구에서 전체 정확도 77% 달성, 기존 Q&A 기반 AI 도구 능가.

전통적으로 환자 건강 설문지(PHQ-9)가 우울증 선별 금표준입니다. 기분, 수면, 식욕, 에너지 수준 등 고정 9개 문항으로 0~27점 산출, 20점 이상 중증 우울증 지시.

최근 수년간 머신러닝 접근법이 억양, 언어 속도, 특정 어휘 선택 등 우울 상태 시사 음성 표지자를 성공적으로 채굴해왔습니다. 그러나 대부분 모델이 PHQ-9나 유사 구조화 면접 답변에 의존해 실제 환경 적용성 제한적이었습니다.

MIT 새 신경망이 이 제약을 제거했습니다. 자유 형식 면접 녹음 자료를 입력해 '다운(down)', '로우(low)', '새드(sad)' 같은 단어 빈번 사용, 평탄하거나 단조로운 음성 품질, 느린 말하기 속도 등 우울증과 강하게 연관된 미세 패턴을 인식하도록 학습시켰습니다.

모델 작동 원리

알고리즘은 음성을 타임스탬프된 오디오 프레임과 전사된 단어 시퀀스로 처리합니다. 음향 특징(피치, 에너지, 말하기 속도)과 언어 콘텐츠를 공동 분석하는 딥 시퀀스 모델링 아키텍처 사용. 고정 설문지에 의존하지 않아 임상 면접부터 일상 전화 통화까지 모든 대화 데이터에 적용 가능.

저자들은 특정 질문과 무관하게 우울증 지표를 포착하므로 '문맥 자유 모델링'이라 명명합니다.

훈련, 검증, 성능

모델은 DAIC(Distress Analysis Interview Corpus)에서 추출한 142개 상호작용으로 훈련되었습니다. 오디오, 비디오, 텍스트가 건강한 참여자와 정신장애 진단자 대화 포함.

각 참여자 우울 심각도는 PHQ-9 점수(0~27)로 정량화. 연구에서 28명 참여자가 우울(점수 ≥20)로 분류. 네트워크는 정밀도(precision)와 재현율(recall) 평가: 71% 정밀도, 83% 재현율로 전체 정확도 77% 달성—기존 AI 접근법 통상 60~65% 정확도에서 주목할 개선.

향후 연구는 치매 등 다른 질환으로 확장하고 예측을 이끄는 구체적 음향-언어 패턴 탐구 예정.

장기적으로 모바일 앱에 통합해 사용자 음성·텍스트를 수동 모니터링해 고통 징후 조기 경보, 정신건강 서비스 접근 장벽 있는 이들에게 도움 줄 수 있음.

참고: 뇌 자극이 폭력 행위 의도 감소시킬 수 있다