选自MothrBoard
作者：MichalByrn
机器之心编译
参与：无我莽莽、李亚洲
南加州大学的研究员们开发出了一套新的机器学习工具，可检定抑郁症患者中特定的语音特征，从而辅助抑郁症诊断。
南加州大学的研究员们开发出了一套新的机器学习工具，可检定抑郁症患者中特定的语音特征，从而辅助诊断。这套工具名叫SimSnsi，在面诊过程中会倾听病人的声音特征，有心理障碍或神经疾病的人会降低他们的元音发音，这可能让诊断人员听得不够清楚。这个思路（当然）不能代替原先的人为诊断方案，但是它可以为诊断过程增添辅助的、客观的有分量的资料。
抑郁症误诊是医疗领域的突出问题，尤其是初级保健医生经常会犯这种错误。年，一份覆盖50,位病人的元研究发现，医生鉴别出抑郁症的正确率只有大约50%，而且误报率（将未患抑郁症的人诊断为患者）超过了漏报率（将患上抑郁症的人诊断为正常），两者比列大约是3比1。这绝对是不能接受的。
但这也是无可厚非的。医生（尤其是全科医生）在相当程度上会过度诊断疾病，其原因有两点：第一，相比于将有病诊断为无病，错误地将无病诊断为有病近乎是更加安全的；第二，每一次诊断中都面临着各种可能性，消除其中的不确定性需要更多的专业知识以及更多的自信。
诊断抑郁症的一大难题是，抑郁症是一种极其异源的疾病（htrognousdisas）。它有多种多样的病因，还有多种多样的表现形式。一位初级保健医生每周可能接待上百位病人，接触到各种疾病，而且他们要从病人自我报告的诸多异常症状和基于面谈的观察中总结出精神病诊断结果，这其中的挑战可想而知。所以，像SimSnsi这样的工具才存在巨大的发展空间。SimSnsi追踪语音中和抑郁症有关的变化，并详尽地记录下来。「先前的研究揭示抑郁症患者经常表现出平淡或消极的感情反应、语调没有什么变化、音强和音高是单调的、语言活动减少、语速减慢、停顿时间增长以及停顿时长经常变化，」南加州大学的一篇相关论文写到，「此外，研究发现在抑郁状态下的发音表现出声道和声带的拉伸程度增强了。」
对于基于噪声数据做出预测的机器学习来说，这明显是一个问题。一般而言，语音分析是此领域主要