[論文レビュー] Predicting the Flu from Instagram

Oguzhan Gencoglu, Miíkka Ermes|arXiv (Cornell University)|Nov 27, 2018

Data-Driven Disease Surveillance参考文献 27被引用数 5

ひとこと要約

本研究では、公開済みのインスタグラムデータ（テキスト、ハッシュタグ、画像コンテンツをディープ畳み込みニューラルネットワークを用いて分析）を活用した機械学習パイプラインを提案し、フィンランドにおけるインfluenza-like illness（ILI）の現状把握および予測を行う。317週間分のデータを用いて、最良のモデルは現状把握で平均絶対誤差11.33、相関係数0.963を達成し、ソーシャルメディアの視覚的コンテンツがインフォデミオロジー分野における予測精度を顕著に向上させることを示した。

ABSTRACT

Conventional surveillance systems for monitoring infectious diseases, such as influenza, face challenges due to shortage of skilled healthcare professionals, remoteness of communities and absence of communication infrastructures. Internet-based approaches for surveillance are appealing logistically as well as economically. Search engine queries and Twitter have been the primarily used data sources in such approaches. The aim of this study is to assess the predictive power of an alternative data source, Instagram. By using 317 weeks of publicly available data from Instagram, we trained several machine learning algorithms to both nowcast and forecast the number of official influenza-like illness incidents in Finland where population-wide official statistics about the weekly incidents are available. In addition to date and hashtag count features of online posts, we were able to utilize also the visual content of the posted images with the help of deep convolutional neural networks. Our best nowcasting model reached a mean absolute error of 11.33 incidents per week and a correlation coefficient of 0.963 on the test data. Forecasting models for predicting 1 week and 2 weeks ahead showed statistical significance as well by reaching correlation coefficients of 0.903 and 0.862, respectively. This study demonstrates how social media and in particular, digital photographs shared in them, can be a valuable source of information for the field of infodemiology.

研究の動機と目的

• インスタグラムデータ（特にその視覚的コンテンツ）の予測的パワーが、インフルエンザ様症候群（ILI）の発生状況の監視および予測にどの程度有効であるかを評価すること。
• 医療従事者の不足や地方におけるインfra構築の遅れといった、従来の監視システムの限界を是正すること。
• ディープラーニングモデルがインスタグラムの画像およびテキストから疫学的に関連する信号を効果的に抽出できるかを検討すること。
• 複数の機械学習アルゴリズムを、公式のILI統計の現状把握（現在週の推定）および予測（1〜2週間先）の両タスクにおいて比較すること。

提案手法

• フィンランドのインスタグラムから、フィンランド語でインフルエンザ関連のキーワードを含む投稿を含む、317週間にわたる公開済みデータを収集した。
• 日付という時間的特徴、ハッシュタグ数というテキスト的特徴、および画像コンテンツに対して事前学習済みのディープ畳み込みニューラルネットワーク（ResNet-50）を用いて抽出した視覚的特徴を抽出した。
• ユーザー投稿から関連する視覚的パターンを同定・抽出するために、4つのリファレンス画像（例：咳、発熱、インフルエンザ症状）を用いた画像類似性検索を実施した。
• XGBoost、LightGBM、LSTMネットワークを含む9種類の機械学習モデルを、現状把握および予測タスクの両方で訓練・比較した。
• モデルの性能を評価するために、テストデータ上での相関係数および平均絶対誤差（MAE）を評価指標として用いた。
• 特徴量の重要度分析を実施し、画像特徴が他の入力特徴量に比べて予測にどの程度寄与しているかを定量化した。その結果、視覚的コンテンツが予測に12.1％の寄与を示した。

実験結果

リサーチクエスチョン

• RQ1 インフルエンザ様症候群（ILI）の発生状況を、信頼性の高い監視データを持つ国で、インスタグラムの公開済み画像およびテキストデータを効果的に活用して予測できるか？
• RQ2 ディープラーニングを用いて抽出されたインスタグラム画像からの視覚的特徴が、テキストおよび時間的特徴のみに依存するモデルと比較して、どの程度ILI予測モデルの精度を向上させるか？
• RQ3 画像コンテンツの組み込みが、ILI症例の現状把握および短期予測における機械学習モデルの性能にどのように影響を与えるか？
• RQ4 1つの言語（フィンランド語）および1つの国（フィンランド）のデータで学習したモデルが、他の地域に一般化可能か。また、そのアプローチの限界は何か？

主な発見

• 最良の現状把握モデルは、1週間あたり11.33件の平均絶対誤差（MAE）および公式ILIデータとの相関係数0.963を達成した。
• 1週間および2週間先の予測モデルは、それぞれ相関係数0.903および0.862を達成し、統計的に有意な性能を示した。
• 画像特徴の組み込みにより、テスト時のMAEが13.83から11.33に低下し、視覚的コンテンツが性能向上に明確な寄与をしていることが示された。
• 特徴量の重要度分析の結果、画像特徴が全体の予測力に12.1％の寄与を示した。
• 画像類似性検索に限定された4つのリファレンス画像を用いたことから、より多様で包括的なリファレンス画像セットを用いることで性能向上が期待できる。
• 本研究は、ソーシャルメディアの画像にディープラーニングを適用してインフルエンザ流行を予測する可能性を初めて実証した。これにより、インフォデミオロジー分野における画期的なデータソースが提示された。