Enhancing Depression Detection via Question-wise Modality Fusion

要約

うつ病は、非常に一般的で障害のある状態であり、実質的な個人的および社会的コストを負担します。
現在のうつ病の診断では、臨床医が実施した自己報告アンケートまたはインタビューを通じて、人のうつ病の重症度を決定することが含まれます。
これはしばしば治療が遅れることにつながり、かなりの人的資源を伴います。
したがって、いくつかの作品は、マルチモーダルデータを使用してプロセスを自動化しようとします。
ただし、通常、次のことを見落としています。i）アンケートの各質問の各モダリティの変動的貢献とii）タスクの順序分類を使用します。
これにより、最適な融合とトレーニング方法が生じます。
この作業では、これらの問題に取り組むために、新しい不均衡な順序ログロス（IMBOLL）関数で訓練された新しい質問ごとのモダリティフュージョン（QuestMF）フレームワークを提案します。
フレームワークのパフォーマンスは、e-DAICデータセットの現在の最先端モデルに匹敵し、各質問のスコアを予測することで解釈可能性を向上させます。
これは、臨床医が個人の症状を特定し、それに応じて介入をカスタマイズできるようにするのに役立ちます。
また、QuestMFフレームワークのコードを公開しています。

要約(オリジナル)

Depression is a highly prevalent and disabling condition that incurs substantial personal and societal costs. Current depression diagnosis involves determining the depression severity of a person through self-reported questionnaires or interviews conducted by clinicians. This often leads to delayed treatment and involves substantial human resources. Thus, several works try to automate the process using multimodal data. However, they usually overlook the following: i) The variable contribution of each modality for each question in the questionnaire and ii) Using ordinal classification for the task. This results in sub-optimal fusion and training methods. In this work, we propose a novel Question-wise Modality Fusion (QuestMF) framework trained with a novel Imbalanced Ordinal Log-Loss (ImbOLL) function to tackle these issues. The performance of our framework is comparable to the current state-of-the-art models on the E-DAIC dataset and enhances interpretability by predicting scores for each question. This will help clinicians identify an individual’s symptoms, allowing them to customise their interventions accordingly. We also make the code for the QuestMF framework publicly available.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google