潜在空间数据融合在多模态精神健康数字表型数据中的优势
机器学习
2025-07-22 v1 人工智能
应用统计
摘要
背景：精神疾病如抑郁和焦虑需要改进的方法进行早期检测和个体化干预。传统预测模型常依赖单模态数据或早期融合策略，无法捕捉精神病理数据的复杂多模态特性。先进的集成技术，如中间（潜在空间）融合，可能提供更好的准确率和临床实用性。方法：本研究基于BRIGHTEN临床试验的数据，评估了用于预测每日抑郁症状（PHQ-2评分）的中间（潜在空间）融合方法。我们将采用随机森林（RF）模型实现的早期融合与通过自编码器和神经网络实现的中间融合（Combined Model, CM）进行比较。数据集包括行为学（基于智能手机的）、人口学和临床特征。实验在多个时间分割和数据流组合下进行。性能采用均方误差（MSE）和决定系数（R2）评估。结果：CM在所有设置下均优于RF和线性回归（LR）基线，MSE为0.4985 vs. 0.5305（RF），R2为0.4695 vs. 0.4356。RF模型表现出过拟合迹象，训练与测试性能之间存在较大差距，而CM保持一致的泛化。最佳性能在将CM中集成所有数据模态时 achieved（与RF不同），凸显了在复杂精神病数据中捕捉非线性相互作用方面的潜在空间融合价值。结论：潜在空间融合是多模态精神健康数据预测中传统融合方法的稳健替代方案。未来工作应探索模型可解释性和个体层面的预测，以实现临床部署。
引用
@article{arxiv.2507.14175,
title = {Latent Space Data Fusion Outperforms Early Fusion in Multimodal Mental Health Digital Phenotyping Data},
author = {Youcef Barkat and Dylan Hamitouche and Deven Parekh and Ivy Guo and David Benrimoh},
journal= {arXiv preprint arXiv:2507.14175},
year = {2025}
}