Objetivo: utilizar técnicas de aprendizaje profundo para construir un modelo de diagnóstico de depresión facial, proporcionando un nuevo método para el reconocimiento temprano de la depresión en la medicina tradicional china. Métodos: se incluyeron 437 sujetos de estudio (210 con depresión y síndrome de estancamiento hepático y deficiencia del bazo, 114 con síndrome de estancamiento hepático y deficiencia del bazo sin depresión, y 113 controles sanos), recogiendo imágenes faciales siguiendo un protocolo estandarizado. Tras eliminar imágenes borrosas, cubiertas o con posturas anormales, se aumentaron las imágenes mediante rotación, escala, espejo, traslación y adición de ruido gaussiano, y se dividieron en conjuntos de entrenamiento, validación y prueba en proporción 8:1:1. Se utilizaron EfficientNet, MobileNet V3 y ResNet18 para construir modelos de clasificación, evaluando su rendimiento por precisión, cantidad de parámetros, velocidad de convergencia y matriz de confusión, además del análisis de mapas de activación de clase (CAM) para examinar las áreas faciales de atención del modelo durante la toma de decisiones. Resultados: ① EfficientNet obtuvo la mayor precisión (98.6%), tamaño moderado de parámetros (4.01 M) y rápida convergencia; seguido de MobileNet V3 (precisión 92.7%, 1.52 M parámetros); ResNet18 con la menor precisión (92.2%) y mayor cantidad de parámetros (11.18 M); ② en la matriz de confusión, EfficientNet mostró la tasa más baja de errores de clasificación entre las tres categorías; ③ la visualización CAM reveló que EfficientNet se enfoca no solo en el área alrededor de los ojos, sino también en la región de la boca al tomar decisiones. Conclusión: El modelo de reconocimiento de depresión basado en imágenes faciales en medicina tradicional china construido con aprendizaje profundo tiene un buen rendimiento predictivo y proporciona evidencia objetiva para ayudar en el diagnóstico inteligente de la depresión.

depresión;observación facial;imágenes faciales;aprendizaje profundo;diagnóstico inteligente