基于Conformal Prediction的抑郁症预测方法

2025-02-22 Sat
基于Conformal Prediction的抑郁症预测方法研究背景介绍抑郁症是一种常见的心理障碍，表现为持续的悲伤、衰弱以及对活动失去兴趣。它不仅增加了自杀的风险，还给患者及其家庭带来了巨大的心理负担。目前，抑郁症的诊断主要依赖于心理健康报告，如Beck抑郁量表（BDI-II）、Hamilton抑郁评定量表（HRSD）和患者健康问卷（PHQ-8）。然而，这些诊断方法依赖于临床医生的主观经验和患者的认知能力，耗时且效率低下。
近年来，随着深度学习技术的快速发展，基于深度学习的抑郁症预测方法显示出巨大的潜力。然而，这些深度模型通常作为“黑箱”模型部署，缺乏可信度，无法提供预测的置信度。对于抑郁症预测这样的高风险临床应用，不确定性量化在决策过程中至关重要。为此，本研究提出了基于Conformal Prediction（CP）的抑郁症预测方法（Conformal Depression Prediction, CDP），旨在为模型预测提供理论覆盖保证的有效置信区间。
论文来源本论文由Yonghong Li、Shan Qu和Xiuzhuang Zhou共同撰写。Yonghong Li和Xiuzhuang Zhou来自北京邮电大学人工智能学院，Shan Qu来自北京大学人民医院精神科。该论文已发表于IEEE Transactions on Affective Computing期刊，发表日期为2025年，DOI为10.1109/TAFFC.2025.3542023。
研究流程1. 研究目标与方法概述本研究的主要目标是开发一种不确定性量化方法，用于面部抑郁症预测。具体来说，作者提出了两种方法：Conformal Depression Prediction（CDP）和其改进版本CDP-acc。CDP通过Conformal Prediction为模型预测提供边际覆盖保证的置信区间，而CDP-acc则通过近似条件覆盖进一步优化置信区间，使其更紧致且适应特定输入。
2. 数据集与模型选择研究使用了两个常用的面部抑郁症数据集：AVEC 2013和AVEC 2014。这些数据集包含面部视频，视频中的每个帧都标记了BDI-II评分。研究选择了经典的C3D和SlowFast网络作为基线模型进行面部抑郁症预测。
3. 不确定性量化方法a) CDP方法CDP方法的核心思想是利用Conformal Prediction为模型预测提供置信区间。具体步骤如下：
1. 校准集的构建：将数据集划分为训练集、校准集和测试集。
2. 模型训练：使用训练集训练深度神经网络模型。
3. 置信区间的计算：在校准集上计算预测偏差，作为Conformal Score，并根据用户定义的置信水平计算置信区间。
b) CDP-acc方法CDP-acc方法通过近似条件覆盖进一步优化置信区间。具体步骤如下：
1. 预测分布的估计：将校准集上的预测划分为若干子区间，估计每个子区间内的条件分布。
2. 置信区间的构建：根据估计的条件分布，构建嵌套序列，计算最短宽度的置信区间。
4. 实验与评估研究通过以下指标评估不确定性量化方法的性能：
- 预测区间覆盖概率（PICP）：衡量置信区间覆盖真实值的概率。
- 平均预测区间宽度（MPIW）：衡量置信区间的平均宽度。
- 分层覆盖率（SSC）：评估不同方法在不同抑郁症严重程度下的条件覆盖率。
主要结果1. 预测误差研究比较了不同训练损失函数和网络架构下的预测误差。结果表明，Quantile Regression（QR）在大多数情况下表现出较小的预测误差，尤其是在AVEC 2013数据集上。
2. 不确定性量化性能CDP和CDP-acc方法在PICP和MPIW指标上表现出色。CDP-acc在保持覆盖率的同时，显著减少了置信区间的宽度。特别是在AVEC 2014数据集上，CDP-acc的PICP达到了93.72%，MPIW仅为20.17。
3. 条件覆盖率评估CDP-acc方法在条件覆盖率评估中表现最佳，其SSC值接近1-α，表明该方法能够更好地适应不同抑郁症严重程度的预测。
研究结论本研究提出的CDP和CDP-acc方法为面部抑郁症预测提供了有效的不确定性量化框架。CDP通过Conformal Prediction为模型预测提供边际覆盖保证的置信区间，而CDP-acc则通过近似条件覆盖进一步优化置信区间，使其更紧致且适应特定输入。实验结果表明，CDP-acc在保持覆盖率的同时，显著减少了置信区间的宽度，为抑郁症预测提供了更精确的不确定性量化。
研究亮点创新性方法：本研究首次将Conformal Prediction应用于抑郁症预测，提出了一种无需重新训练模型的不确定性量化方法。
理论保证：CDP方法提供了理论覆盖保证的置信区间，确保了预测的可信度。
实际应用价值：CDP和CDP-acc方法为抑郁症预测提供了更可靠的决策支持，特别是在高风险临床应用中具有重要意义。
其他有价值的信息研究还进行了参数分析，探讨了子区间数量对CDP-acc性能的影响。结果表明，子区间数量为14时，CDP-acc的PICP和MPIW达到最佳平衡。此外，研究还比较了不同经验分布估计方法对CDP-acc性能的影响，发现直方图估计方法在大多数情况下表现最佳。