Care for the Mind Amid Chronic Diseases: An Interpretable AI Approach Using IoT

要約

慢性疾患管理のための健康検知は、社会福祉に大きな利益をもたらします。
既存の健康検知研究は、主に身体慢性疾患の予測に焦点を当てています。
しかし、慢性疾患の広範な合併症であるうつ病は、研究されていません。
モーションセンサーデータを使用したうつ病の検出をサポートするために医学文献を利用します。
この意思決定において人間を結びつけるために、信頼を守り、アルゴリズムの透明性を確保するために、解釈可能な深い学習モデルであるTurnal Prototype Network（TemppNet）を開発します。
TemppNetは、緊急のプロトタイプ学習モデルに基づいて構築されています。
センサーデータの時間的特性とうつ病の進歩的特性に対応するために、TemppNetは、プロトタイプの時間的進行をキャプチャする能力が既存のプロトタイプ学習モデルとは異なります。
実際のモーションセンサーデータを使用した広範な経験的分析は、TemppNetがうつ病検出における最先端のベンチマークよりも優れていることを示しています。
さらに、TemppNetは、うつ病の時間的進行とセンサーデータから検出された対応する症状を視覚化することにより、その決定を解釈します。
さらに、ユーザー調査と医療専門家パネルを採用して、解釈可能性におけるベンチマークに対する優位性を実証します。
この研究は、衝撃的な社会的利益のためのアルゴリズムソリューションを提供します – 慢性疾患の共同ケアと健康検知におけるうつ病。
方法論的には、センサーデータからのうつ病検出のための新しい解釈可能な深い学習モデルで現存する文献に貢献します。
患者、医師、介護者は、モバイルデバイスにモデルを展開して、患者のうつ病のリスクをリアルタイムで監視できます。
また、モデルの解釈可能性により、人間の専門家は、解釈を確認し、情報に基づいた介入を行うことにより、意思決定に参加することができます。

要約(オリジナル)

Health sensing for chronic disease management creates immense benefits for social welfare. Existing health sensing studies primarily focus on the prediction of physical chronic diseases. Depression, a widespread complication of chronic diseases, is however understudied. We draw on the medical literature to support depression detection using motion sensor data. To connect humans in this decision-making, safeguard trust, and ensure algorithm transparency, we develop an interpretable deep learning model: Temporal Prototype Network (TempPNet). TempPNet is built upon the emergent prototype learning models. To accommodate the temporal characteristic of sensor data and the progressive property of depression, TempPNet differs from existing prototype learning models in its capability of capturing temporal progressions of prototypes. Extensive empirical analyses using real-world motion sensor data show that TempPNet outperforms state-of-the-art benchmarks in depression detection. Moreover, TempPNet interprets its decision by visualizing the temporal progression of depression and its corresponding symptoms detected from sensor data. We further employ a user study and a medical expert panel to demonstrate its superiority over the benchmarks in interpretability. This study offers an algorithmic solution for impactful social good — collaborative care of chronic diseases and depression in health sensing. Methodologically, it contributes to extant literature with a novel interpretable deep learning model for depression detection from sensor data. Patients, doctors, and caregivers can deploy our model on mobile devices to monitor patients’ depression risks in real-time. Our model’s interpretability also allows human experts to participate in the decision-making by reviewing the interpretation and making informed interventions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google