Large language models for Screening Depression Through Facial Emotion Recognition and OpenEnded PHQ Testing
YOGYAKARTA – Sebuah tim peneliti dari Universitas Gadjah Mada (UGM) yang terdiri dari Samudera Fadlilla Jamaluddin, S.Psi., M.Sc., Riangga Novrianto, S.Psi., M.Psi., Psikolog, dan Muhammad Oriza Nurfajri, S.Kom., M.IT., tengah mengembangkan kerangka kerja revolusioner untuk skrining depresi. Penelitian yang berfokus pada “AI for Healthcare” ini memanfaatkan kombinasi _Large Language Models (LLM)_ dan _computer vision_ untuk mendeteksi depresi secara multi-modal, menawarkan solusi otomatis, efisien, dan skalabel untuk mengatasi keterbatasan metode konvensional.
Depresi merupakan gangguan kesehatan mental dengan prevalensi global yang tinggi, berdampak signifikan pada kualitas hidup, produktivitas, serta meningkatkan risiko morbiditas dan mortalitas. Deteksi dini depresi sangat krusial, namun metode tradisional seperti wawancara klinis tatap muka dan kuesioner terstandar seringkali memerlukan waktu, biaya, dan tenaga profesional yang terbatas.
Menjawab tantangan ini, kemajuan dalam Artificial Intelligence (AI) membuka potensi baru. Penelitian yang sedang berlangsung ini mengusulkan kerangka kerja deteksi depresi yang mengintegrasikan tiga komponen utama untuk memberikan hasil yang lebih akurat dan reliabel dibandingkan metode tunggal.
Ketiga komponen tersebut adalah:
1. Analisis ekspresi wajah berbasis Vision Transformer: Teknologi ini memungkinkan sistem untuk menganalisis dan menginterpretasi ekspresi wajah individu, yang dapat menjadi indikator penting kondisi emosional.
2. Tes eksploratif wawancara terbuka berbasis LLM: Dengan memanfaatkan _Large Language Models_, sistem dapat melakukan wawancara terbuka dan menganalisis respons linguistik untuk mengidentifikasi pola-pola yang terkait dengan depresi.
3. Patient Health Questionnaire (PHQ-9): Kuesioner standar yang teruji secara klinis ini diintegrasikan untuk memberikan penilaian kuantitatif yang komprehensif.
Integrasi data visual, linguistik, dan kuantitatif ini memungkinkan skrining depresi yang otomatis, efisien, dan skalabel, menjadikannya sebuah terobosan penting dalam bidang kesehatan mental.
Dengan potensi untuk menyediakan alat skrining yang lebih mudah diakses dan efisien, sistem deteksi depresi berbasis AI ini diharapkan dapat menjadi solusi krusial dalam upaya penanganan kesehatan mental. Keberhasilan implementasinya dapat membantu identifikasi dini kasus depresi, memungkinkan intervensi lebih cepat, dan pada akhirnya meningkatkan kualitas hidup banyak individu yang terdampak.
