Цель: использование технологий глубокого обучения для создания модели диагностики депрессии по лицу, предоставляющей новый метод раннего выявления депрессии с помощью традиционной китайской медицины. Методы: включено 437 участников (210 с депрессией и синдромом застой печени и недостаточности селезенки, 114 с синдромом застой печени и недостаточности селезенки без депрессии, 113 здоровых), собирались стандартизированные изображения лица. После исключения размытых, закрытых и с аномальной позой изображений проведено увеличение данных с помощью вращения, масштабирования, зеркалирования, сдвига и добавления гауссовского шума, распределение на обучающую, валидационную и тестовую выборки в соотношении 8:1:1. Использовались модели EfficientNet, MobileNet V3 и ResNet18, оценка по точности, объему параметров, скорости сходимости и матрице ошибок, а также анализ внимания модели с помощью class activation mapping (CAM). Результаты: ① EfficientNet показал наивысшую точность (98,6%), умеренный объем параметров (4,01 млн), быструю сходимость; MobileNet V3 вслед за ним (точность 92,7%, 1,52 млн параметров), ResNet18 – самая низкая точность (92,2%) и максимальный объем параметров (11,18 млн); ② матрица ошибок показала наименьший уровень ошибок классификации для EfficientNet; ③ визуализация CAM показала, что EfficientNet во время принятия решения обращает внимание не только на область вокруг глаз, но и на область вокруг рта. Заключение: модель диагностики депрессии на основе традиционной китайской медицины и глубокого обучения с использованием изображений лица обладает высокой прогностической способностью и предоставляет объективные доказательства для интеллектуальной помощи в диагностике депрессии.

депрессия;диагностика по лицу;изображения лица;глубокое обучение;интеллектуальная диагностика