DeepGAM: una red neuronal profunda interpretable que utiliza un modelo aditivo generalizado para el diagnóstico de la...

Área de la Ciencia:

• Inteligencia artificial
• Aprendizaje automático
• Psiquiatría computacional

Sus antecedentes:

• Las redes neuronales profundas sobresalen en varias tareas, pero a menudo carecen de interpretabilidad, lo que dificulta las aplicaciones clínicas.
• La estimación del estado de depresión a partir de datos médicos personales está ganando terreno, sin embargo, la comprensión de las decisiones del modelo sigue siendo un desafío.
• Los modelos de caja negra existentes hacen difícil discernir el impacto individual de las características de entrada en el diagnóstico de la depresión.

Objetivo del estudio:

• Introducir DeepGAM, un modelo aditivo generalizado basado en el aprendizaje profundo, mejorando la interpretabilidad en el diagnóstico de la depresión.
• Desarrollar un modelo que pueda identificar los impactos positivos y negativos de los componentes individuales en el estado de depresión.
• Mejorar la selección de características y la interpretabilidad del modelo en el contexto de la predicción de la salud mental.

Principales métodos:

• Propuso DeepGAM, un modelo aditivo generalizado de aprendizaje profundo que incorpora funciones aditivas basadas en redes neuronales.
• Arquitectura de red diseñada y función objetiva para salidas restringidas, regularizadas e interpretables.
• Utilizó un estimador directo (STE) para la selección de características a través del descenso de gradiente, lo que permite el rendimiento con menos características.

Principales resultados:

• DeepGAM logró el AUC más alto (0,600) y la puntuación F1 (0,387), superando a las redes neuronales tradicionales e IGANN.
• STE seleccionó cinco características clave que tuvieron un rendimiento comparable al de 99 características, superando a Lasso y Boruta.
• Demostró la interpretabilidad y el rendimiento robusto de DeepGAM en conjuntos de datos públicos.

Conclusiones:

• DeepGAM con STE ofrece un enfoque preciso e interpretable para la predicción de la depresión.
• El modelo proporciona información sobre las contribuciones de las características individuales, abordando la naturaleza de caja negra del aprendizaje profundo.
• Este método avanza en las aplicaciones de aprendizaje automático en salud mental al combinar el poder predictivo con la explicabilidad.