Otimização Automática de Classificadores para Auxiliar no Diagnóstico da Depressão

• Renata Cristina Santana PUC Minas
• Thiago Henriques N. de Lima PUC Minas
• Saulo A. P. Pinto PUC Minas
• Luis E. Zárate PUC Minas
• Cristiane N. Nobre PUC Minas

DOI: https://doi.org/10.5753/sbcas.2018.3678

Resumo

A depressão é uma doença que atinge milhões de pessoas em todo o mundo. Ela é relacionada de modo complexo a fatores biológicos, sociais e psicológicos. Este trabalho apresenta resultados preliminares da utilização do pacote Auto-WEKA para encontrar automaticamente classificadores que tenham bom desempenho para predizer se uma pessoa desenvolveu depressão ou não. Classificadores combinados com redução automática de atributos como Random Forest, Best Fit e Correlation-based Subset Selection, alcançaram taxas de acerto, sensibilidade e especificidade de 100%, o que indica que são uma alternativa promissora para auxiliar profissionais da área médica no processo de diagnóstico da depressão.

Referências

D. G. Altman e J. M. Bland. Statistics notes: Diagnostic tests 1: sensitivity and specificity. BMJ, 308(6943):1552, 1994. ISSN 0959-8138. DOI: 10.1136/bmj.308.6943.1552. URL [link].

M. T. Silva, T. F. Galvao, S. S. Martins, e M. G. Pereira. Prevalence of depression morbidity among brazilian adults: a systematic review and meta-analysis. Revista Brasileira de Psiquiatria, 36(3):262–270, 2014. URL [link].

L. Kottoff, C. Thornton, H. H. Hoos, F. Hutter, e K. Leyton-Brown. Auto-weka 2.0: Automatic model selection and hyperparameter optimization in weka. Journal of Machine Learning, 17:1–5, 2016. URL [link].

I. H. Witten, E. Frank, M. A. Hall, e C. J. Pal. Data Mining: practical machine learning tools and techniques with Java implementations. Morgan Kaufmann, 4th edition, 2016.

D. Ravı̀, C. Wong, F. Deligianni, M. Berthelot, J. Andreu-Perez, B. Lo, e G.-Z. Yang. Deep learning for health informatics. IEEE journal of biomedical and health informatics, 21(1):4–21, 2017.

S. Canada. Canadian Community Health Survey (CCHS) - Annual Component - User guide 2014 and 2013-2014 Microdata files, 2015.

S. Canada. Canadian Community Health Survey (CCHS) - Annual Component (2014) - Public Use Microdata File - Derived Variable (DV) Specifications, 2016.

R. Kohavi. A study of cross-validation and bootstrap for accuracy estimation and model selection. In Proceedings of the 14th International Joint Conference on Artificial Intelligence - Volume 2, IJCAI’95, pages 1137–1143, San Francisco, CA, USA, 1995. Morgan Kaufmann Publishers Inc. ISBN 1-55860-363-8. URL [link].

WHO. Composite international diagnostic interview, version 1.1. In Composite International Diagnostic Interview (CIDI), Version 1.1. World Health Organization, 1993.