基于集体的混合AI模型进行深度学习,用于使用基于时间序列数据的人口和行为数据来检测双极和单极抑郁症

科学领域:

• 人工智能的人工智能
• 计算精神病学是一种计算精神病学.
• 机器学习在心理健康中的应用

背景情况:

• 抑郁症,包括双极性和单极性类型,是普遍存在的心理健康状况.
• 目前用于抑郁症的诊断方法是主观的,风险偏见和报告不足.
• 机器学习 (ML) 和深度学习 (DL) 使用行为和人口统计数据为抑郁症检测提供了自动化解决方案.

研究的目的:

• 开发一种混合人工智能框架来分类双极和单极抑郁症.
• 整合结构化人口统计数据与合成动态图时间序列数据,以加强抑郁症检测.
• 提高抑郁症分类模型的准确性和可解释性.

主要方法:

• 一个混合的人工智能框架,将XGBoost用于人口统计数据和深度卷积神经网络 (CNN) 用于时间序列数据.
• 使用分层的k-fold交叉验证和超参数调整来进行强大的模型训练.
• 采用SHAP和Grad-CAM来提高模型的解释性,识别关键的预测特征和时间模式.

主要成果:

• 混合模型在抑郁症分类的准确性,灵敏性和特异性方面取得了强的表现.
• 时间和静态特征的整合显著改善了双极和单极抑郁症的预测.
• 可解释性技术成功地突出了影响模型预测的关键特征和时间相关模式.

结论:

• 引入了一个强大的和可解释的AI框架,用于使用合成多式联络数据对抑郁症进行分类.
• 开发的模型作为未来研究的方法基础,涉及现实世界的临床数据集.
• 虽然该框架尚未得到临床验证,但它证明了人工智能在客观抑郁症评估中的潜力.