مروری بر روشهای یادگیری عمیق در تشخیص افسردگی با بهره گیری از داده های چندرسانه ای

افسردگی به عنوان یکی از شایع ترین اختلالات روانی تشخیص زودهنگام را ضروری می سازد. این مقاله به مرور سیستماتیک روشهای یادگیری عمیق در تشخیص افسردگی با بهره گیری از داده های چندرسانه ای (صوت، تصویر، متن) می پردازد. رویکردهای بررسی شده در شش دسته اصلی طبقه بندی می شوند: مدل های سنتی CNN و LSTM که با میانگین وزنی دقت ۸۸.۴۳ پایه ای برای تحلیل ویژگی های مکانی-زمانی فراهم کردند، مدل های ترنسفورمر با میانگین دقت ۸۵.۹۷٪ اگرچه در داده های پیچیده نیازمند حجم نمونه بالاترند اما توانمندی بالایی در درک وابستگی های بلندمدت دارند. مدل های ترکیبی با میانگین وزنی دقت ۹۳.۴۹ با ادغام هوشمندانه معماری ها (مانند CNN، Transformer-GNN) بالاترین عملکرد را نشان دادند، همچنین روش های یادگیری خودنظارتی و انتقالی با میانگین دقت ۹۳.۰۹ نیاز به داده های برچسب خورده را کاهش داده اند. مدل های قابل تفسیر میانگین دقت ۸۸.۸۹٪ با بهره گیری از مکانیزم های توجه و گراف، شفافیت تصمیم را برای کاربردهای بالینی افزایش داده اند. در نهایت، رویکردهای مبتنی بر داده های پوشیدنی با میانگین دقت ۸۹.۲۷ امکان پایش غیرتهاجمی و پیوسته را فراهم می آورند. باوجود پیشرفت ها، چالش هایی نظیر عدم تعادل داده ها، تنوع فرهنگی-زبانی و محدودیت تفسیرپذیری همچنان پابرجاست. این مرور نشان می دهد که روند پژوهشی به سمت مدل های چندوجهی ترکیبی با قابلیت تعمیم پذیری و تفسیر بالا در حرکت است.

کلیدواژه ها:

افسردگی ، تشخیص خودکار ، یادگیری عمیق ، داده های چندرسانه ای ، هوش مصنوعی ، قابل تفسیر