Ziel: Einsatz von Deep-Learning-Technologien zur Entwicklung eines Gesichtsdiagnosemodells für Depressionen, das neue Methoden zur frühen Erkennung von Depressionen durch die traditionelle chinesische Medizin bietet. Methoden: Eingeschlossen wurden 437 Studienteilnehmer (210 mit Depression und Syndrom von Leber-Qi-Stagnation und Milzschwäche, 114 mit Syndrom ohne Depression, 113 gesunde Kontrollpersonen), Gesichtsbilder wurden nach standardisiertem Verfahren aufgenommen. Nach Ausschluss unscharfer, verdeckter und falsch posierter Bilder erfolgte eine Bildaugmentierung durch Rotation, Skalierung, Spiegelung, Translation und Hinzufügen von Gaußschem Rauschen, anschließend Aufteilung in Trainings-, Validierungs- und Testsets im Verhältnis 8:1:1. Es wurden EfficientNet, MobileNet V3 und ResNet18 als Klassifikationsmodelle verwendet, die Modellleistung wurde anhand der Genauigkeit, Parameteranzahl, Konvergenzgeschwindigkeit und Verwirrungsmatrix bewertet; mittels Class Activation Mapping (CAM) wurden die vom Modell bei der Entscheidung beachteten Gesichtsbereiche analysiert. Ergebnisse: ① EfficientNet erreichte die höchste Genauigkeit (98,6 %), mittlere Parametermenge (4,01 Mio.), schnelle Konvergenz; gefolgt von MobileNet V3 (Genauigkeit 92,7 %, 1,52 Mio. Parameter) und ResNet18 mit der niedrigsten Genauigkeit (92,2 %) und der höchsten Parameteranzahl (11,18 Mio.); ② Die Verwirrungsmatrix zeigt, dass EfficientNet die geringste Fehlklassifikationsrate in den drei Gruppen aufweist; ③ CAM-Visualisierung zeigte, dass EfficientNet bei Entscheidungen neben dem Augenbereich auch den Mundbereich berücksichtigt. Fazit: Das auf Deep Learning basierende Modell zur Identifikation von Depressionen mittels Gesichtsbildgebung in der traditionellen chinesischen Medizin zeigt eine gute Vorhersageleistung und liefert objektive Belege zur Unterstützung der intelligenten Gesichtsdiagnose bei Depressionen.

Depression;Gesichtsdiagnose;Gesichtsbilder;Deep Learning;intelligente Diagnose