Objectif : utiliser les techniques d'apprentissage profond pour construire un modèle de diagnostic de la dépression basé sur le visage, offrant une nouvelle méthode pour la reconnaissance précoce de la dépression en médecine traditionnelle chinoise. Méthodes : 437 sujets d'étude inclus (210 avec dépression et syndrome de stagnation du foie et déficience de la rate, 114 avec ce syndrome sans dépression, 113 témoins sains), collecte d'images faciales selon un protocole standardisé. Après exclusion des images floues, obstruées ou avec postures anormales, les images ont été augmentées par rotation, zoom, miroir, translation et ajout de bruit gaussien, puis réparties en ensembles d'entraînement, validation et test à raison de 8:1:1. Modèles EfficientNet, MobileNet V3 et ResNet18 utilisés pour la classification, évalués selon la précision, le nombre de paramètres, la vitesse de convergence et la matrice de confusion, et analyse des cartes d’activation de classe (CAM) pour identifier les zones d’attention du modèle sur le visage. Résultats : ① EfficientNet a la meilleure précision (98,6%), un nombre modéré de paramètres (4,01 M) et une rapide convergence ; suivi par MobileNet V3 (précision 92,7%, 1,52 M paramètres) et ResNet18 avec la précision la plus basse (92,2%) et le plus grand nombre de paramètres (11,18 M) ; ② la matrice de confusion montre qu’EfficientNet a le plus faible taux d’erreurs pour les trois catégories de personnes ; ③ la visualisation CAM montre qu’EfficientNet identifie non seulement la zone autour des yeux mais aussi autour de la bouche lors de la prise de décision. Conclusion : le modèle de reconnaissance de la dépression basé sur images faciales en médecine traditionnelle chinoise construit avec l’apprentissage profond a une bonne performance prédictive et fournit une preuve objective pour l’assistance au diagnostic intelligent de la dépression.

dépression;observation du visage;images faciales;apprentissage profond;diagnostic intelligent