論文の概要: Explainable AI for Mental Health Prediction in Drug-Affected Populations with Dragonfly Algorithm and GAN Oversampling

• arxiv url: http://arxiv.org/abs/2606.22780v1
• Date: Mon, 22 Jun 2026 02:42:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 04:45:36.054215
• Title: Explainable AI for Mental Health Prediction in Drug-Affected Populations with Dragonfly Algorithm and GAN Oversampling
• Title（参考訳）: Dragonfly アルゴリズムと GAN オーバーサンプリングによる薬剤性人口のメンタルヘルス予測のための説明可能なAI
• Authors: Ahnaf Atef Choudhury, Shahriar Siddique Ayon, Md. Ebrahim Hossain, Abdullah Al Mamun,
• Abstract要約: 本研究では, 薬物依存者の多次元データセットを用いて, メンタルヘルス予測の詳細な機械学習モデルを提案する。 行動、ライフスタイル、健康要因、特に睡眠の質、身体的健康、感情的な規制は、精神的な健康を強く予測する。 この枠組みは有効なメンタルヘルス予測ツールを生成する可能性があり、早期介入を促進し、薬物依存者の治療を強化する。
• 参考スコア（独自算出の注目度）: 0.526647163965749
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mental illnesses among drug users are an increasing international issue, particularly in regions where early detection cannot be easily undertaken. The current literature tends to ignore the use of AI-based mental health analysis in drug users, and low quality of the class imbalance treatment, low interpretability, and optimal hyperparameter optimization can lower predictive quality and clinical utility. This study present a detailed, explainable machine learning (ML) model of multiclass mental health prediction, using a multidimensional data set of drug-affected persons. We combine hybrid PCA-Information Gain (PCA-IG) feature selection, Generative Adversarial Network (GAN)-based oversampling, and Dragonfly Algorithm (DA)-optimized XGBoost to address some of the limitations of existing methods. The suggested framework is effective to work with high-dimensional categorical data, address the issue of class imbalance, and improve predictive performance due to intelligent hyperparameter tuning. The experimental findings show that the XGBoost model optimized using the DA, in combination with GAN-based oversampling, has an accuracy of 94.17% and a weighted F1-score of 93.80%, which is better than the traditional and baseline models. The behavioral, lifestyle, and health factors, particularly sleep quality, physical health, and emotional regulation, are strongly predictive of mental health, with demographic factors having little impact, as seen through feature analysis. SHAP-based explainable AI provides easy-to-understand, instance-level information, enhancing interpretability and trust in models to be used in clinical settings. The results indicate that this framework has the potential to generate valid mental health forecasting tools, which would facilitate early intervention and enhance the treatment of drug-influenced people.
• Abstract（参考訳）: 薬物使用者の精神疾患は、特に早期発見が容易に行えない地域では、国際的問題が高まっている。 現在の文献では、薬物使用者におけるAIベースのメンタルヘルス分析の使用を無視する傾向があり、クラス不均衡治療の低品質、低い解釈可能性、最適なハイパーパラメータ最適化は予測的品質と臨床的有用性を低下させる。 本研究は、薬物依存者の多次元データセットを用いて、マルチクラスのメンタルヘルス予測の詳細に説明可能な機械学習モデルを提案する。 我々は, PCA-Information Gain (PCA-IG) 機能選択, Generative Adversarial Network (GAN) ベースのオーバーサンプリング, Dragonfly Algorithm (DA) 最適化 XGBoost を組み合わせて,既存の手法の限界に対処する。 提案手法は,高次元分類データを用いて,クラス不均衡の問題に対処し,インテリジェントなハイパーパラメータチューニングによる予測性能の向上に有効である。 実験結果によると、DAを用いて最適化されたXGBoostモデルは、GANベースのオーバーサンプリングと組み合わせて94.17%の精度で、重み付けされたF1スコアは93.80%であり、従来のモデルやベースラインモデルより優れている。 行動、ライフスタイル、健康要因(特に睡眠の質、身体の健康、感情の規制)は、特徴分析を通して見られるように、人口統計学的要因がほとんど影響しないため、精神的な健康を強く予測する。 SHAPベースの説明可能なAIは、容易に理解しやすく、インスタンスレベルの情報を提供し、解釈可能性を高め、臨床環境で使用されるモデルの信頼性を高める。 以上の結果から, この枠組みは, 早期介入を促進し, 薬物依存者の治療を促進する, 有効なメンタルヘルス予測ツールを創出できる可能性が示唆された。

関連論文リスト

• Medical Heuristic Learning: An LLM-Driven Framework for Interpretable and Auditable Clinical Decision Rules [10.26837045598536]
  深層学習と木に基づくアンサンブル法は精度が高いが、ブラックボックスの性質は臨床展開の大きな障害である。 本稿では,医学的ヒューリスティック学習(MHL)を提案する。 MHLは、統計プローブ、医療知識プローブ、ルール合成、コードレベルの反復改良を統合し、決定論的かつ実行可能な決定システムを最適化する、LLM(Big Language Model)駆動のワークフローを使用している。
  論文  参考訳（メタデータ） (2026-06-15T07:43:06Z)
• Towards a General Intelligence and Interface for Wearable Health Data [45.854819784803055]
  本研究では,1兆分以上の未ラベルセンサ信号に基づいて,ウェアラブルヘルスの基盤モデルを提案する。 この集団スケールの表現は、ラベル効率のよい少数ショット学習と生成能力を有効化して、1日あたりのロバストな計量推定を行う。
  論文  参考訳（メタデータ） (2026-05-21T17:24:06Z)
• Beyond Traditional Diagnostics: Transforming Patient-Side Information into Predictive Insights with Knowledge Graphs and Prototypes [55.310195121276074]
  本稿では,病気を予測するための知識グラフ,プロトタイプ認識,解釈可能なフレームワークを提案する。 構造化された信頼された医療知識を統合された疾患知識グラフに統合し、臨床的に意味のある疾患のプロトタイプを構築し、予測精度を高めるために対照的な学習を利用する。 臨床的に有効な説明を提供し、患者の物語と密接に一致し、患者中心のヘルスケアデリバリーの実践的価値を強調している。
  論文  参考訳（メタデータ） (2025-12-09T05:37:54Z)
• Advancing Mental Disorder Detection: A Comparative Evaluation of Transformer and LSTM Architectures on Social Media [0.16385815610837165]
  本研究では,Long Short-Term Memory (LSTM) に基づくアプローチに対して,最先端のトランスフォーマーモデルの総合評価を行う。 Redditのメンタルヘルス障害分類のためのテキスト埋め込み技術を用いて,大規模な注釈付きデータセットを構築した。 実験により,従来のディープラーニングモデルよりもトランスフォーマーモデルの方が優れた性能を示した。
  論文  参考訳（メタデータ） (2025-07-17T04:58:31Z)
• Statistical Learning for Heterogeneous Treatment Effects: Pretraining, Prognosis, and Prediction [40.96453902709292]
  実世界の応用における現象を利用した事前学習戦略を提案する。 医学では、同じ生物学的シグナル伝達経路の成分は、ベースラインリスクと治療反応の両方に頻繁に影響を及ぼす。 この構造を用いて,リスク予測と因果効果推定の相乗効果を利用するモデルを構築した。
  論文  参考訳（メタデータ） (2025-05-01T05:12:14Z)
• Leveraging LLMs for Mental Health: Detection and Recommendations from Social Discussions [0.5249805590164902]
  本研究では,NLP(Natural Language Processing)とジェネレーティブAI(Generative AI)技術を活用し,精神疾患の特定と評価を行う包括的フレームワークを提案する。 我々はルールベースのラベリング手法と高度な事前学習NLPモデルを用いて、データからニュアンス付きセマンティック特徴を抽出する。 特殊なLarge Language Models (LLMs) の予測に基づいて、ドメイン適応型および汎用的なNLPモデルを微調整し、分類精度を向上させる。
  論文  参考訳（メタデータ） (2025-03-03T11:48:01Z)
• Enhanced Prediction of Ventilator-Associated Pneumonia in Patients with Traumatic Brain Injury Using Advanced Machine Learning Techniques [0.0]
  外傷性脳損傷(TBI)患者の呼吸器関連肺炎(VAP)は重大な死亡リスクをもたらす。 TBI患者のVAPのタイムリーな検出と予後は、患者の予後を改善し、医療資源の負担を軽減するために重要である。 我々はMIMIC-IIIデータベースを用いて6つの機械学習モデルを実装した。
  論文  参考訳（メタデータ） (2024-08-02T09:44:18Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• Physical formula enhanced multi-task learning for pharmacokinetics prediction [54.13787789006417]
  AIによる薬物発見の大きな課題は、高品質なデータの不足である。 薬物動態の4つの重要なパラメータを同時に予測するPEMAL法を開発した。 実験の結果,PEMALは一般的なグラフニューラルネットワークに比べてデータ需要を著しく低減することがわかった。
  論文  参考訳（メタデータ） (2024-04-16T07:42:55Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。