9 сентября 2026 года Knowable Magazine, издание Annual Reviews, опубликовала обзорную статью Астрид Лэндон о том, как машинное обучение помогает диагностировать шизофрению по речи. Два независимых подхода — акустический анализ и отслеживание семантического дрейфа в транскриптах — различали людей со шизофрении-спектральными расстройствами и здоровых контролей с точностью около 86–87 процента, а речь становится измеримым сигналом для ранней диагностики, хотя до клинических испытаний остаётся несколько лет.

image
image

Что произошло

В статье Knowable Magazine (DOI 10.1146/knowable-090926-1) рассмотрены две работы. Нидерландская группа (де Бур, Воппель и соавторы, Утрехт и Гронинген) измерила 88 акустических признаков речи — громкость, длину пауз, произношение гласных и интонацию — на записях 142 пациентов со шизофрении-спектральными расстройствами и 142 здоровых контролей, а классификатор random forest различал группы с точностью 86,2 процента при AUC 0,92. Отдельный подход Санни Танга из Feinstein Institutes строит векторные «адреса» слов в транскриптах и отслеживает дрейф смысла; он показал точность 87 процента против 68 процентов у клиницистов, работающих без ИИ.

Контекст

Проблема, на которую отвечают эти результаты, описана в самой статье: в США диагноз шизофрении в среднем ставится через 1,5 года после первых симптомов, а оценки разных психиатров по одним и тем же пациентам расходятся на 30–50 процентов. Публикация Knowable Magazine — не новое исследование, а синтез уже опубликованных работ: акустическая модель вышла в 2021 году в журнале Psychological Medicine (том 53, выпуск 4, страницы 1302–1312, DOI 10.1017/S0033291721002804), а текстовый подход Танга описан в отдельной работе. Авторы ссылаются также на обзор 2026 года в Annual Review of Clinical Psychology.

Почему это важно для индустрии

Для индустрии материал полезен прежде всего как воспроизводимый эталонный паттерн: 88 стандартных акустических признаков eGeMAPS/OpenSMILE и классический random forest без LLM дают измеримую точность в медицинской задаче, а leave-ten-out кросс-валидация делает результат проверяемым. Публичные бенчмарки — 86,2 процента и AUC 0,92 в акустике, 87 против 68 процента в семантике — можно использовать как baseline и чек-лист для evals будущих speech-моделей в медицине. Коммерческого продукта, публичного API или открытого датасета объявлено не было, поэтому прямая ценность сегодня — сигнал для R&D-дорожных карт: речевые биомаркеры психических расстройств перешли из стадии концепции в стадию измеримой точности.

Почему это важно для пользователей

Для пациентов и читателей практический вывод двойственный. С одной стороны, модель позиционируется как инструмент в помощь врачу, а не его замена, а речь начинает восприниматься как объективный биомаркер, который может помочь сократить задержку диагностики. С другой стороны, до прикладного эффекта далеко: Танг планирует довести свой инструмент до клинических испытаний только к 2030 году, так что в ближайшие годы речь не изменит порядок постановки диагноза. Заметка наглядно показывает, что в медицине работает не только LLM: здесь классическое машинное обучение на аудио и тексте с открытым перечнем ограничений.

Что пока неизвестно / ограничения

Цифры 86,2 и 87 процента получены в разных работах, на разных когортах и в разных модальностях; результата объединённой модели статья не приводит. Сравнение 87 процента у модели Танга и 68 процента у клиницистов не обязательно проведено head-to-head на одних и тех же записях, поэтому это не прямое доказательство превосходства. Акустическая работа опирается на малую сбалансированную выборку (n=284) и бинарную задачу «пациент против здорового контроля», а не на дифференциальную диагностику с другими психиатрическими состояниями; внешняя валидация и откалиброванность в пересказе не обсуждаются, что при AUC 0,92 создаёт риск переоценки обобщаемости. По обзору 2026 года в Annual Review of Clinical Psychology, малые нерепрезентативные выборки и конфаундеры — возраст, второй язык, стресс, медикаменты — мешают переносу моделей из лаборатории в клинику.

Источники

Автор

Look at AI, редакция