Введение в проблему депрессии
Депрессия является одним из наиболее распространенных психических расстройств, поражающих миллионы людей во всем мире. Диагностика и лечение депрессии часто опираются на субъективные шкалы и опросники, что может привести к неточным диагнозам и неэффективному лечению.
Модель глубокого обучения для прогнозирования депрессии
Междисциплинарная группа китайских исследователей разработала модель глубокого обучения для автоматизированного и точного прогнозирования тяжести депрессии. Модель основана на данных электроэнцефалографии (ЭЭГ) в состоянии покоя, собранных у 70 пациентов с подтвержденным депрессивным расстройством и 30 здоровых людей из контрольной группы.
Архитектура модели
Предложенная авторами архитектура получила название PLI_GE_gMLP. В рамках единого фреймворка разработчики синергетически объединили три передовых технологических метода: индекс фазового запаздывания (Phase Lag Index, PLI), графовое эмбеддинг-моделирование (Graph Embedding, GE) и многослойный перцептрон (Gated Multilayer Perceptron, gMLP).
Результаты исследования
ИИ-модель PLI_GE_gMLP продемонстрировала среднюю абсолютную ошибку (MAE) предсказания степени тяжести заболевания на уровне 4,30. Этот результат качественно превзошел показатели традиционных алгоритмов машинного обучения и известных архитектур глубокого обучения.
Выводы и перспективы
Разработка модели глубокого обучения для прогнозирования тяжести депрессии может улучшить диагностику и лечение депрессивных расстройств. Авторы исследования подчеркивают важность интерпретируемости модели и возможность использования модели для создания доступных и недорогих систем аппаратной экспресс-диагностики ментального здоровья.