为女性乳腺癌患者构建基于转移学习的抑郁症检测模型:文字情绪分析

科学领域:

• 医疗保健中的计算语言学和自然语言处理.
• 机器学习应用程序用于心理健康诊断.
• 乳腺癌的心理影响和患者支持系统.

背景情况:

• 社交网络为乳腺癌 (BC) 患者提供了一个关键的出口,以表达经常隐藏在人身上的情绪.
• 分析大量的非结构化患者文本数据以获得心理健康见解,面临重大挑战.
• 转移学习提供了一种有效的方法来处理和分析用于抑郁症检测的广泛文本数据集.

研究的目的:

• 为解决患有抑郁症的乳腺癌患者未得到满足的心理健康需求.
• 通过患者生成的文本开发和验证一种转移学习模型,用于通过患者生成的文本进行非侵入性,及时的抑郁症识别.
• 通过提供可访问的心理健康支持,促进早期干预.

主要方法:

• 一种混合方法的方法,结合了定性内容分析和深度学习.
• 招募300名乳腺癌患者 (住院患者和在线用户) 进行文本数据收集.
• 使用基于BERT的模型,在微博抑郁症库上进行预训练,并在临床患者文本上进行微调,通过交叉验证和对抗测试进行评估.

主要成果:

• 确定了财务负担和晚期癌症阶段作为抑郁症的显著相关物 (P < 0.05).
• 内容分析揭示了抑郁症患者负面生活态度中明显的语言模式.
• 转移学习模型实现了86.67%的准确性,F1得分为0.79,证明了对语义噪声的稳定性,但需要拼写纠正.

结论:

• 建立了一个文化适应的框架来检测乳腺癌患者的抑郁症.
• 该模型通过利用社交媒体预训练和临床微调来促进可扩展的,非侵入性抑郁症查.
• 未来的研究应该专注于增加人口多样性和整合多式联络数据,以提高临床效用.