DeepGAM:うつ病診断のための汎用添加モデルを使用した解釈可能な深層ニューラルネットワーク:ハートとソウル研究からのデータ

科学分野:

• 人工知能
• 機械学習
• コンピューター精神科

背景:

• ディープニューラルネットワークは様々なタスクに優れていますが しばしば解釈能力が不足し 臨床的応用が困難です
• 個人的な医療データから 鬱状態を推定する傾向は高まっていますが モデル決定を理解することは 依然として困難です
• 既存のブラックボックスモデルでは 抑うつ病の診断における 入力特性の個々の影響を見極めることが困難です

研究 の 目的:

• 鬱病診断の解釈性を向上させる ディープラーニングベースの汎用的な追加モデルである DeepGAM を導入する.
• 鬱状態の個々の要素の ポジティブとネガティブな影響を特定できるモデルを開発する.
• メンタルヘルス予測の文脈で特徴の選択とモデルの解釈性を改善する.

主な方法:

• ニューラルネットワークベースの添加関数を含む深層学習の一般化添加モデルを提案した.
• 制限された,正規化された,解釈可能な出力のための設計されたネットワークアーキテクチャとオブジェクト機能.
• より少ない機能でパフォーマンスを可能にするために,グラデント下降による機能選択のために,直通推定器 (STE) を利用した.

主要な成果:

• DeepGAMは,従来のニューラルネットワークとIGANNを上回る最高AUC (0.600) とF1スコア (0.387) を達成した.
• STEは,ラッソとBorutaを上回る99の機能に匹敵する5つのキー機能を選択しました.
• 公開データセットでの DeepGAM の解釈性と強固なパフォーマンスを実証しました.

結論:

• DEEPGAMとSTEは 鬱病の予測に正確で解釈可能なアプローチを提供します
• ディープラーニングのブラックボックスの性質を取り上げ,個々の機能の貢献に関する洞察を提供します.
• この方法は 予測力と説明力を組み合わせることで 精神衛生における機械学習の応用を 促進します