[論文レビュー] Multi Class Depression Detection Through Tweets using Artificial Intelligence

Muhammad Osama Nusrat, Waseem Shahzad+1 more|arXiv (Cornell University)|Apr 19, 2024

Brain Tumor Detection and ClassificationNeuroscience被引用数 3

ひとこと要約

本研究では、BERTと説明可能なAIを用いて、ツイッターのつぶやきから5種類のうつ病—双極性障害、大うつ病性障害、精神病性障害、変化性うつ病性障害、産後うつ病—を分類するマルチクラスのうつ病検出システムを提案する。語彙ベースのラベリングとファインチューニングされたBERTを活用し、モデルは96％の正確性を達成した。説明可能なAIにより、つぶやき内のうつ病に関連する言語的特徴が強調され、解釈可能性が向上した。

ABSTRACT

Depression is a significant issue nowadays. As per the World Health Organization (WHO), in 2023, over 280 million individuals are grappling with depression. This is a huge number; if not taken seriously, these numbers will increase rapidly. About 4.89 billion individuals are social media users. People express their feelings and emotions on platforms like Twitter, Facebook, Reddit, Instagram, etc. These platforms contain valuable information which can be used for research purposes. Considerable research has been conducted across various social media platforms. However, certain limitations persist in these endeavors. Particularly, previous studies were only focused on detecting depression and the intensity of depression in tweets. Also, there existed inaccuracies in dataset labeling. In this research work, five types of depression (Bipolar, major, psychotic, atypical, and postpartum) were predicted using tweets from the Twitter database based on lexicon labeling. Explainable AI was used to provide reasoning by highlighting the parts of tweets that represent type of depression. Bidirectional Encoder Representations from Transformers (BERT) was used for feature extraction and training. Machine learning and deep learning methodologies were used to train the model. The BERT model presented the most promising results, achieving an overall accuracy of 0.96.

研究の動機と目的

• ソーシャルメディアにおけるマルチクラスのうつ病検出のギャップを埋めるために、ツイッターのデータから5つの異なるうつ病タイプを分類すること。
• BERTと説明可能なAI（XAI）技術を組み合わせることで、うつ病検出の正確性と解釈可能性を向上させること。
• マルチクラスのうつ病分類のための、約23,000件のラベル付きつぶやきから構成される新規の公開可能データセットを構築すること。
• 従来の単一クラスまたは二値のうつ病検出モデルの限界を克服し、細分化された分類を可能にすること。
• LIMEとSHAPを用いたモデルの解釈性を通じて、うつ病の言語的パターンに関する実用的洞察を提供すること。

提案手法

• 臨床基準と専門家の検証を用いて、手動で5つのうつ病タイプにラベルを付けて、約23,000件のツイッターのつぶやきを収集・整備した。
• 初期のうつ病タイプ分類のための事前ラベリングとして、語彙ベースのラベリングを適用した。
• マルチクラスのうつ病データセット上で、シーケンス分類のためのBERTモデルをファインチューニングした。
• 分類のための複数の機械学習モデル（例：ランダムフォレスト）とディープラーニングモデル（例：BERT）を訓練・比較した。
• LIMEとSHAPを用いて説明可能なAI（XAI）を実装し、分類意思決定に寄与した特定の語句やフレーズを強調した。
• テキスト前処理、シーケンストークン化、BERTにおけるアテンションメカニズムを活用して、分類のための文脈的表現を抽出した。

実験結果

リサーチクエスチョン

• RQ1 BERTのようなディープラーニングモデルは、短く非公式なツイッターのテキストから5つの異なるうつ病タイプを効果的に分類できるか？
• RQ2 伝統的な機械学習モデル（例：ランダムフォレスト）と比較して、BERTはソーシャルメディアにおけるマルチクラスのうつ病検出でどの程度の性能を示すか？
• RQ3 LIMEやSHAPのような説明可能なAI（XAI）技術は、うつ病タイプの予測に対してどの程度解釈可能で意味のある説明を提供できるか？
• RQ4 モデルが特定した、特定のうつ病タイプに最も関連する言語的マーカーは何か？
• RQ5 データセットの質とラベリングの一貫性は、うつ病検出モデルの信頼性と一般化可能性にどのように影響するか？

主な発見

• BERTベースのモデルは、つぶやきからの5種類のうつ病タイプ分類において、96％の最高の全体的正確性を達成した。
• ランダムフォレスト分類器は2番目に高い正確性（94.7％）を示し、従来の機械学習モデルの中でも優れた性能を発揮した。
• 説明可能なAI技術（LIMEとSHAP）は、双極性障害の予測に寄与した特定の語句—例：「bipolar」と「disorder」—を効果的に強調した。
• モデルの解釈可能性により、臨床医や研究者が予測の根拠をテキスト内の特定の言語的手がかりにたどり、検証が可能になった。
• 本研究では、うつ病タイプ間で共通する言語的特徴が同定され、細分化された分類に課題をもたらす、類似した症状表現の存在が示された。
• データセットサイズ（約23,000件のつぶやき）の制限にもかかわらず、モデルは特に大うつ病性障害および産後うつ病に対して高い一般化可能性を示した。