目的：深層学習技術を利用してうつ病の顔診断モデルを構築し、早期の中医学望診によるうつ病識別の新たな方法を提供すること。方法：437例の研究対象者（うつ病の肝鬱脾虚証210例、肝鬱脾虚証非うつ病114例、健康対照113名）を対象に標準化された手順で顔画像を収集した。ぼやけ、遮蔽、および姿勢異常の画像を除外し、回転、拡大縮小、鏡像、平行移動、ガウスノイズの追加により画像を増強し、8：1：1の割合で訓練、検証およびテストセットに分割した。EfficientNet、MobileNet V3およびResNet18を用いて分類モデルを構築し、精度、パラメータ数、収束速度および混同行列によりモデル性能を評価し、クラス活性化マッピング（CAM）を用いてモデルの意思決定時の顔の特徴注目領域を分析した。結果：①EfficientNetは最高の精度（98.6％）、中程度のパラメータ数（4.01M）、収束速度が速く、MobileNet V3はそれに次ぎ（精度92.7％、パラメータ数1.52M）、ResNet18は最も低い精度（92.2％）かつ最大のパラメータ数（11.18M）であった；②混同行列ではEfficientNetは三つの集団に対する誤判定率が最も低かった；③CAMの可視化によりEfficientNetは意思決定時に目の周囲だけでなく口の周囲も認識していることが示された。結論：深層学習を基盤とした中医学の顔画像うつ病識別モデルは良好な予測性能を持ち、中医学の知能望診によるうつ病補助識別に客観的証拠を提供する。

うつ病;望診;顔画像;深層学習;人工知能診断