可解释的AI驱动的抑郁症检测从社交媒体使用自然语言处理和黑机器学习模型

科学领域:

• 计算精神病学是一种计算精神病学.
• 人工智能在心理健康中的作用

背景情况:

• 精神疾病,特别是抑郁症,给个人和社会带来了巨大的负担.
• 社交媒体为计算心理健康研究提供了丰富的用户生成数据来源.
• 早期发现抑郁症对于及时干预和改善结果至关重要.

研究的目的:

• 在社交媒体数据上使用机器学习 (ML) 模型探索早期发现抑郁症.
• 整合可解释AI (XAI) 方法,以提高黑盒ML模型的解释性.
• 评估ML和XAI在抑郁症检测方面的联合预测性能和可解释性.

主要方法:

• 使用的黑盒ML模型:支持矢量机器 (SVM),随机森林 (RF),极端梯度增强 (XGB) 和人工神经网络 (ANN).
• 采用自然语言处理 (NLP) 技术,包括TF-IDF,LDA,N-grams,BoW和GloVe嵌入用于特征提取.
• 综合局部可解释模型-不可知论解释 (LIME) 提供对模型预测的洞察力.

主要成果:

• 支持矢量机器 (SVM) 在检测来自社交媒体内容的抑郁症方面表现出最高的准确性.
• LIME成功地为模型预测提供了详细的解释,识别了关键的语言标记.
• 识别的语言标记与已建立的抑郁症心理研究一致.

结论:

• 这项研究强调了SVM在社交媒体数据中抑郁症检测的有效性.
• 整合LIME显著提高了ML模型的可解释性和临床可靠性.
• 将预测准确度与可解释性结合起来,对于推进心理健康领域的计算方法至关重要.