[論文レビュー] Detecting Individuals with Depressive Disorder fromPersonal Google Search and YouTube History Logs

Boyu Zhang, Anis Zaman+4 more|arXiv (Cornell University)|Oct 28, 2020

Mental Health via Writing参考文献 20被引用数 4

ひとこと要約

本研究では、縦断的 Google 検索および YouTube 歴史ログを用いた、個人に特化したうつ病検出フレームワークを提案する。ユーザー行動を多次元的相互駆動ポイント過程（Hawkes過程）と分布的フレーズ埋め込みを用いてモデル化し、意味的および時間的ダイナミクスを捉える。212名の参加者を対象に、中程度から重度のうつ病症状を示す者を分類する際、最高で F1 スコア 0.77±0.04、AUC ROC 0.81±0.02 を達成した。

ABSTRACT

Depressive disorder is one of the most prevalent mental illnesses among the global population. However, traditional screening methods require exacting in-person interviews and may fail to provide immediate interventions. In this work, we leverage ubiquitous personal longitudinal Google Search and YouTube engagement logs to detect individuals with depressive disorder. We collected Google Search and YouTube history data and clinical depression evaluation results from $212$ participants ($99$ of them suffered from moderate to severe depressions). We then propose a personalized framework for classifying individuals with and without depression symptoms based on mutual-exciting point process that captures both the temporal and semantic aspects of online activities. Our best model achieved an average F1 score of $0.77 \pm 0.04$ and an AUC ROC of $0.81 \pm 0.02$.

研究の動機と目的

• 個人のオンライン行動データを非侵襲的かつ個人に特化した方法で、うつ病を検出するための手法を開発すること。
• 自己選択的抑制や個人レベルの追跡が不十分であるなどの制限を抱える公共のソーシャルメディアデータの課題を克服すること。
• 縦断的な検索および YouTube エンゲージメントログを活用し、うつ病に関連する時間的および意味的パターンをモデル化すること。
• 時間的特徴に依存するルールベースの手法を改善するため、オンライン活動間の相互作用を捉える確率的かつ意味的認識型モデルを用いること。
• スケーラブルでプライバシー準拠のシステムを提供し、早期検出および臨床意思決定支援を支援すること。

提案手法

• 212名の参加者から、個人の Google 検索および YouTube 歴史ログと、PHQ-9 によるうつ病スクリーニング結果を収集した。うち、99名は中程度から重度のうつ病症状を示した。
• 分布的フレーズ埋め込みを用いて、検索クエリおよび動画タイトルからの意味的表現を抽出し、オンライン行動の意味的モデリングを可能にした。
• 多次元 Hawkes 过程を用いて、オンライン行動における異なる暗黙のトピック間の相互駆動的ダイナミクスをモデル化し、時間的および意味的依存関係を捉えた。
• 臨床的評価の直前における最適な行動パターンを同定するため、時間窓を切り詰めた（D = 2週間から12か月）データ上で Hawkes 過程を学習した。
• 2つの主要な特徴を抽出した：ベースライン強度ベクトル（μ）とトピック重み比（φ）、これはトピック相互作用グラフにおける入力と出力の影響のバランスを定量化する。
• 線形SVM（L2正則化）を用いて、μおよびφ特徴を別々に学習し、5分割交差検証を用いてハイパーパrameterを最適化した。

実験結果

リサーチクエスチョン

• RQ1 縦断的な個人の検索および YouTube 歴史ログは、個人のうつ病症状を信頼性高く予測できるか？
• RQ2 中程度から重度のうつ病を示す者とそうでない者との間で、オンライン行動の意味的および時間的パターンはどのように異なるか？
• RQ3 複数次元の Hawkes 過程は、異なるオンライン活動トピック間の相互駆動をどれだけうまくモデル化できるか？
• RQ4 分布的フレーズモデルからの意味的埋め込みを組み込むことで、従来のキーワードやルールベースの特徴に比べて、検出性能が向上するか？
• RQ5 予測性能を最大化するための最適な時間窓（D）は何か？

主な発見

• トピック重み比特徴（φ）を用いたモデルが、平均加重 F1 スコア 0.77±0.04 を達成し、ベースライン強度特徴（μ）を上回った。
• φに基づくモデルは、AUC ROC 0.81±0.02 を達成し、中程度から重度のうつ病を示す者を識別する上で優れた判別性能を示した。
• すべての設定で最適なハイパーパrameterは σ=0.01、C=1、K=10、D=6か月であり、分類性能を最大化した。
• φ特徴は、トピック相互作用ネットワークにおける入力と出力の影響のバランスを捉えるものであり、原始的な強度パターンよりも情報量が多かった。
• 本研究では、Hawkes 過程によるオンライン行動の意味的認識型確率的モデリングが、ルールベースや非意味的アプローチに比べ、うつ病検出性能を顕著に向上させることを示した。
• 強力な性能を示したものの、モデルの一般化性は大学生に限定されており、縦断的データ利用に関する倫理的・プライバシー的懸念は、実世界への展開における主要な障壁のままである。