使用非语言线索检测抑郁症，引入虚拟助手与认知行为疗法基于的回应，取得了显著成果。

Jun, 2024

早期检测在抑郁症治疗中发挥关键作用。为了实现抑郁症的早期检测，众多研究聚焦于社交媒体平台，个人通过表达情绪来达到该目标。然而，现有方法通常依赖具体特征，导致对不同类型的社交媒体数据（如文本、图像或视频）的可扩展性有限。为了克服这一限制，我们提出了一种多模态面向对象图注意力模型（MOGAM），可应用于不同类型的数据，提供更具可扩展性和多功能性的解决方案。除此之外，为了确保我们的模型能捕捉到抑郁症的真实症状，我们只包括临床诊断的用户的视频日志。为了利用视频日志的多样特征，我们采用了多模态方法，并收集了视频日志的附加元数据，如标题、描述和时长。为了有效地聚合这些多模态特征，我们采用了交叉注意机制。MOGAM 在准确率方面达到了 0.871，在 F1 分数方面达到了 0.888。此外，为了验证 MOGAM 的可扩展性，我们使用基准数据集评估了其性能，并取得了与先前研究相当的结果（0.61 的 F1 分数）。总之，我们相信所提出的 MOGAM 模型是侦测社交媒体中抑郁症的有效解决方案，为早期检测和治疗此心理健康状况带来潜在的益处。

Mar, 2024

本研究提出了 MM-GTUNets，一种基于图变换器的多模态图深度学习（MMGDL）框架，用于大规模脑疾病预测，并通过验证在 ABIDE 和 ADHD-200 两个公共多模态数据集上证明了其优越性能。

Jun, 2024

本文提出了一种新的不完全多模态数据整合方法，利用变压器和生成对抗网络，利用辅助模态数据来提高单模态模型的性能，并将其应用于预测阿尔茨海默病的认知退化和疾病结果。

May, 2023

使用多模态机器学习方法，结合罕见遗传病的面部特征和人工智能算法，可以缩小罕见疾病的基因诊断范围并帮助基因组 / 外显子测序数据重解释。

Dec, 2023

本文介绍了一个新型的多级注意力网络用于多模式抑郁症预测，包括来自音频、视频和文本模式的特征融合，其在选择每种模式内最具影响力的特征进行决策时通过多级注意力加固了整体学习，实验中表现优于现有基线 17.52% 的均方根误差。

Sep, 2019

通过整合基于卷积神经网络的健康指标数据和面部图像数据的认知评估游戏应用程序，本研究旨在开发一种新的深度学习启发的游戏方法，以早期检测痴呆症。通过我们的工作，我们的提出的 MOD-1D-CNN 模型可以使用真实生活的健康指标数据识别 70.50％的痴呆特征，而提出的 MOD-2D-CNN 模型则可以使用真实生活的面部图像数据识别 95.72％的痴呆状态。因此，我们应用一种基于规则的加权方法来结合这两种方法以达到最终决策。

May, 2024

研究论文探讨了针对自闭症谱系障碍儿童的数字化移动治疗中情绪识别和唤起的挑战，通过模型个性化训练来提高情绪识别模型在数字化健康疗法中的性能。

Sep, 2023

通过主题建模的方法，我们提出了一种上下文感知分析录音的方法，用于预测变态抑郁症的水平，该方法在 AVEC 挑战赛中的所有指标上优于基线。

Mar, 2018

通过深度学习模型检测社交媒体用户的心理状况，可以更好地理解疾病并提供早期发现的手段。基于分层注意力网络的二元分类任务预测用户是否患有九种不同疾病中的一种，在四种疾病中表现出比先前设定的基准更高的性能，并通过检查模型的单词级注意权重分析分类相关的短语的限制。

Mar, 2020