李 欣，范 青

上海交通大學(xué)醫(yī)學(xué)院附屬精神衛(wèi)生中心，上海 200030

抑郁癥（major depressive disorder，MDD）是一種以持續(xù)情緒低落、快感喪失、思維遲緩為主要臨床表現(xiàn)的常見(jiàn)精神疾病，還會(huì)伴隨認(rèn)知和行為的變化［1］，嚴(yán)重影響患者的生活質(zhì)量。根據(jù)WHO 的報(bào)告，到2030年抑郁癥的疾病負(fù)擔(dān)將升為全球第一［2］。所以，對(duì)抑郁癥患者進(jìn)行早期識(shí)別、精確診斷并及時(shí)治療是十分重要的。

目前傳統(tǒng)的抑郁癥評(píng)估方法主要依賴于自我報(bào)告和醫(yī)師觀察，但人工評(píng)估往往存在主觀誤差，還存在耗時(shí)、臨床工作人員數(shù)量緊張等問(wèn)題［3］。人們?cè)絹?lái)越意識(shí)到，現(xiàn)在需要一種客觀有效的抑郁癥檢測(cè)方法。

抑郁癥會(huì)改變多種非語(yǔ)言行為［4］，其中面部呈現(xiàn)了人們的大部分非語(yǔ)言信息，因此面部表情在抑郁癥診斷中是具有高信息量的特征指標(biāo)。抑郁癥屬于一種情緒障礙，研究表明抑郁癥可能導(dǎo)致患者對(duì)情緒刺激不敏感，降低積極和消極的情緒反應(yīng)［5-6］，有較少的面部表情變化［7］，某些無(wú)意識(shí)的面部表情變化可能與抑郁癥高度相關(guān)。所以，抑郁癥研究領(lǐng)域開(kāi)始通過(guò)面部特征來(lái)解決臨床問(wèn)題。

現(xiàn)今人工智能已開(kāi)始應(yīng)用在精神醫(yī)學(xué)領(lǐng)域。而機(jī)器學(xué)習(xí)作為人工智能的核心技術(shù)有著突出優(yōu)勢(shì)，可以對(duì)已有數(shù)據(jù)進(jìn)行學(xué)習(xí)后提高決策的準(zhǔn)確性，達(dá)到自動(dòng)化、規(guī)模化的效果。許多機(jī)器學(xué)習(xí)架構(gòu)已在數(shù)據(jù)集上進(jìn)行了圖像識(shí)別與分類的試驗(yàn)［8-12］，也逐漸與心理健康結(jié)合［13-14］。這項(xiàng)技術(shù)可以為抑郁癥領(lǐng)域中的多個(gè)臨床研究方向提供支持，比如基于面部特征差異的智能化診斷、癥狀嚴(yán)重程度變化跟蹤、治療效果檢驗(yàn)等，為抑郁癥的自動(dòng)化檢測(cè)提供可能。

因此，本文以IEEE Xplore 數(shù)據(jù)庫(kù)為數(shù)據(jù)來(lái)源，通過(guò)關(guān)鍵詞“facial expression”“facial features”“depression”“machine learning”進(jìn)行檢索，梳理了2016—2021 年基于機(jī)器學(xué)習(xí)的抑郁癥面部特征研究，并對(duì)未來(lái)研究方向進(jìn)行展望，以期為日后抑郁癥智能化檢測(cè)的研究與臨床應(yīng)用提供參考。

1 面部特征識(shí)別的常見(jiàn)算法類型

機(jī)器學(xué)習(xí)可以根據(jù)模型結(jié)構(gòu)的深度分為傳統(tǒng)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)，現(xiàn)在常被應(yīng)用在視覺(jué)、語(yǔ)音等任務(wù)上。傳統(tǒng)機(jī)器學(xué)習(xí)算法適用于少量數(shù)據(jù)，深度學(xué)習(xí)則在較大數(shù)據(jù)集中具有更高的性能。機(jī)器學(xué)習(xí)在面部特征研究中主要用于特征提取及分類；不同的算法，性能也有所不同。臨床研究者可以根據(jù)研究目的和數(shù)據(jù)特點(diǎn)選擇合適的算法。

1.1 傳統(tǒng)機(jī)器學(xué)習(xí)

支 持 向 量 機(jī) （support vector machine，SVM）［3，15-17］、樸素貝葉斯（naive Bayes，NB）［17］和隨機(jī)森林（random forest，RF）［17］是抑郁癥患者面部特征研究中最常用的分類器。邏輯回歸（logistic regression， LR） 和梯度提升決策樹(shù)（gradient boosting decision tree，GBDT）也可以用于分類［15］：LR 常用于二分類的分類模型；GBDT 則適用于發(fā)現(xiàn)多種有區(qū)分性的特征及組合，可以在研究指標(biāo)為多個(gè)組合特征時(shí)發(fā)揮更好性能。

1.2 深度學(xué)習(xí)

卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，CNN）是近幾年面部識(shí)別研究最常用的深度學(xué)習(xí)網(wǎng)絡(luò)。許多研究［15-16，18-27］基于CNN及其創(chuàng)新架構(gòu)如三維CNN （C3D）、模態(tài)分離網(wǎng)絡(luò)（modality separation networks，MSN）、深度殘差回歸卷積神經(jīng)網(wǎng)絡(luò)（deep residual regression convolutional neural networks，DRR-CNN）等進(jìn)行識(shí)別、分類、預(yù)測(cè)人類情緒，以及探索面部動(dòng)作強(qiáng)度如何從低水平情緒變化到高水平情緒等。也有研究［28］在CNN基礎(chǔ)上，將期望損失嵌入到ResNet-50 這一殘差神經(jīng)網(wǎng)絡(luò)中進(jìn)行分布學(xué)習(xí)，這種分布學(xué)習(xí)允許探索面部圖像和抑郁程度之間的順序關(guān)系，更好預(yù)測(cè)抑郁水平。

循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network，RNN）則適用于針對(duì)時(shí)間序列的學(xué)習(xí)［29］，更好模擬特征變化以提高分類準(zhǔn)確率，結(jié)合CNN 后還可以處理包含序列輸入的計(jì)算機(jī)視覺(jué)問(wèn)題。其中的長(zhǎng)短期記憶網(wǎng)絡(luò)（long short-term memory，LSTM）也常用于面部識(shí)別研究［30-31］，適合處理和預(yù)測(cè)時(shí)間序列中間隔和延遲非常長(zhǎng)的重要事件，更加符合連續(xù)變化的情緒的檢測(cè)，貼近臨床實(shí)際情況。

深度置信網(wǎng)絡(luò)（deep belief network，DBN）［32］、自動(dòng)編碼器（auto encoder，AE）［31-33］和稀疏編碼（sparse coding，SC）［34］等深度算法也可用于特征提取和分類。除此之外，有研究結(jié)合傳統(tǒng)學(xué)習(xí)和深度學(xué)習(xí)，并在算法上進(jìn)行創(chuàng)新以提高計(jì)算效率和臨床分類準(zhǔn)確率。例如，有研究團(tuán)隊(duì)提出了中值魯棒局部二值模式—3D正交平面（median robust local binary patterns from three orthogonal planes，MRELBP-TOP）這一新的動(dòng)態(tài)特征描述符進(jìn)行特征提取，采用隨機(jī)映射（random projection，RP）對(duì)幀級(jí)特征進(jìn)行降維，去除冗余信息，然后采用稀疏編碼來(lái)表征高層模式信息，最后則通過(guò)支持向量機(jī)進(jìn)行抑郁程度的估計(jì)［35］。

2 基于機(jī)器學(xué)習(xí)的抑郁癥患者面部特征識(shí)別研究

目前基于機(jī)器學(xué)習(xí)的抑郁癥患者面部特征研究主要集中在輔助識(shí)別與診斷抑郁癥這一臨床應(yīng)用上，來(lái)增加診斷的客觀性，減輕醫(yī)師工作壓力。

2.1 抑郁癥與其他群體分類

鑒別診斷是臨床醫(yī)師面臨的重要問(wèn)題。比如處于抑郁期的雙相情感障礙（bipolar disorder，BPD）患者與抑郁癥患者有相似癥狀，所以有研究者試圖發(fā)現(xiàn)這2 種疾病患者的面部差異以減少誤診。該研究［31］調(diào)查了抑郁癥患者（12 名）、雙相情感障礙患者（12 名）和健康對(duì)照者（12 名）由情緒視頻引起的面部表情變化，使用LSTM 學(xué)習(xí)不同情緒障礙類型的長(zhǎng)期變化并建模，以更好模擬其特征變化；但這一研究只將每個(gè)面部幀分割成12 個(gè)面部區(qū)域進(jìn)行分析，特征指標(biāo)較少，最終只有健康對(duì)照組達(dá)到了67.7%的準(zhǔn)確率，對(duì)抑郁癥患者的分類效果最差，后續(xù)需要在此基礎(chǔ)上加入更多指標(biāo)開(kāi)展進(jìn)一步的研究。

除雙相情感障礙外，其他精神疾病癥狀與抑郁癥相似度不高，所以通過(guò)面部特征進(jìn)行抑郁癥鑒別的對(duì)象主要為健康群體。LI等［17］采用36名抑郁癥患者和36 名健康對(duì)照者的臨床數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，通過(guò)圖片描述、文本閱讀、視頻觀看、訪談等任務(wù)提供情緒刺激，提取了位置特征、距離特征、區(qū)域特征、角度特征和動(dòng)作單元（action unit，AU）這5 個(gè)類型的面部特征，并針對(duì)女性和男性分別建立分類模型，采用支持向量機(jī)、樸素貝葉斯和隨機(jī)森林這3 種廣泛使用的分類器進(jìn)行分類。結(jié)果發(fā)現(xiàn)在視頻觀看這一任務(wù)上實(shí)現(xiàn)了最佳分類準(zhǔn)確率（女性86.8%，男性79.4%）；在不同情緒刺激下，中性情緒刺激是比正負(fù)性刺激更好的數(shù)據(jù)收集選擇，眉毛和嘴巴在中性情緒刺激中比面部其他部分有更多的貢獻(xiàn)。而GUO 等［32］則是利用深度置信網(wǎng)絡(luò)構(gòu)建了一系列基于面部標(biāo)記點(diǎn)（facial feature point，F(xiàn)FP）和動(dòng)作單元的模型來(lái)描繪面部特征，在抑郁癥患者（52 名男性、52 名女性）和健康對(duì)照者（52 名男性、52 名女性）中分析了不同情緒刺激任務(wù)和性別差異的實(shí)驗(yàn)結(jié)果，發(fā)現(xiàn)正負(fù)情緒刺激下抑郁識(shí)別的表現(xiàn)高于中性情緒刺激，與LI等［17］的研究結(jié)果相反；對(duì)于女性的識(shí)別準(zhǔn)確率普遍高于男性，這一結(jié)果兩個(gè)研究一致。抑郁癥面部特征研究常使用上述情緒刺激范式進(jìn)行實(shí)驗(yàn)，由此得來(lái)的數(shù)據(jù)可用于分析抑郁癥在不同表達(dá)狀態(tài)下的面部特征變化；但不同的實(shí)驗(yàn)材料、數(shù)據(jù)集、研究指標(biāo)都會(huì)導(dǎo)致結(jié)果差異，該類研究需要更大的樣本量和更統(tǒng)一的研究范式來(lái)提高結(jié)果質(zhì)量。

2.2 抑郁癥亞型和嚴(yán)重程度

還有研究關(guān)注了抑郁癥亞型問(wèn)題。BHATIA等［3］在39 名受試者（13 名憂郁型抑郁癥患者、13 名非憂郁型抑郁癥患者、13 名健康對(duì)照者）中探索了基于面部特征進(jìn)行抑郁癥亞型分類的敏感度和特異度；通過(guò)梯度下降法和3 個(gè)正交平面中的局部二值模式提取了被試的面部幾何特征和紋理特征，并用支持向量機(jī)進(jìn)行了分類，根據(jù)面部特征區(qū)分了這3 組人群，在碼本大小為200 的組合特征比較中，憂郁組相對(duì)于非憂郁組、憂郁組相對(duì)于對(duì)照組、非憂郁組相對(duì)于對(duì)照組的敏感度分別為0.75、0.86、1，特異度分別為0.61、0.63、0.57，分類準(zhǔn)確率為69%。這些研究結(jié)果可作為更細(xì)粒度的抑郁癥分類和分析的基線，為臨床中的亞型區(qū)分難題提供了解決方向。

抑郁癥狀的嚴(yán)重程度劃分是臨床工作的重要內(nèi)容。有研究［16，19，22］基于貝克抑郁量表Ⅱ（Beck Depression Inventory Ⅱ，BDI-Ⅱ）和面部視頻，通過(guò)CNN 實(shí)現(xiàn)抑郁水平檢測(cè)。2017 年，JAN 等［19］利用CNN 從研究對(duì)象面部表情圖像中逐幀提取視覺(jué)特征，并提出了新的特征提取方法——特征動(dòng)態(tài)歷史直方圖（feature dynamic history histogram，F(xiàn)DHH）來(lái)捕捉特征空間上的時(shí)間運(yùn)動(dòng)，根據(jù)計(jì)算的特征對(duì)BDI-Ⅱ得分進(jìn)行回歸分析，達(dá)到通過(guò)人們的視覺(jué)表達(dá)來(lái)預(yù)測(cè)BDI-Ⅱ得分的目的。2020 年，ZHOU 等［22］則提出了名為DepressNet的深度回歸網(wǎng)絡(luò)來(lái)提高識(shí)別性能，他們將CNN 中的softmax 層替換為GAP 層，并且基于BDI-Ⅱ得分生成抑郁激活圖（depression activation map，DAM），可以更直觀地查看抑郁嚴(yán)重程度。上述研究通過(guò)算法實(shí)現(xiàn)對(duì)抑郁癥狀的時(shí)空計(jì)算和直觀圖像，這將極大提高臨床診斷的準(zhǔn)確率和便捷度。

機(jī)器學(xué)習(xí)研究會(huì)使用不同的量表作為劃分依據(jù)。DIBEKLIO?LU 等［33］通過(guò)漢密爾頓抑郁量表（Hamilton Depressive Scale，HAMD）在抑郁癥社區(qū)中進(jìn)行臨床訪談，將患者分為中重度抑郁、輕度抑郁和緩解，使用堆疊降噪自動(dòng)編碼器（stacked denoising auto encoder，SDAE）來(lái)編碼面部和頭部運(yùn)動(dòng)的有效幀。SWAMY 等［23］則是根據(jù)患者健康問(wèn)卷9（Patient Health Questionaire-9，PHQ-9）將被試分為無(wú)、輕度、中度、中重度和重度抑郁癥5 個(gè)類別，通過(guò)CNN 實(shí)現(xiàn)了抑郁癥自動(dòng)化分類與篩查。不同的量表和程度劃分方式側(cè)重點(diǎn)不同，是抑郁癥診斷方法多樣化的體現(xiàn)；但各研究間的程度分類結(jié)果是否可以相互轉(zhuǎn)化暫未得到驗(yàn)證，后續(xù)臨床研究可檢驗(yàn)不同劃分依據(jù)下的結(jié)果一致性。

同時(shí)，機(jī)器學(xué)習(xí)算法及面部特征應(yīng)用在不斷更新。在二維CNN 基礎(chǔ)上，C3D 被構(gòu)建。2019 年，CARNEIRO DE MELO 等［24］在大規(guī)模數(shù)據(jù)集（AVEC2013、AVEC2014） 上通過(guò)C3D 學(xué)習(xí)時(shí)空特征，并使用回歸模型來(lái)預(yù)測(cè)抑郁水平分?jǐn)?shù)。同年，YANG 等［25］首次將C3D 應(yīng)用于面部動(dòng)作單元檢測(cè)。2021 年，有研究［29］設(shè)計(jì)了RNN-C3D 的新框架，使用C3D 自動(dòng)學(xué)習(xí)人臉區(qū)域2 個(gè)不同尺度的時(shí)空特征，然后使用RNN 從時(shí)空信息序列中進(jìn)一步學(xué)習(xí)以預(yù)測(cè)抑郁程度。這些應(yīng)用為臨床智能化奠定了重要基礎(chǔ)，也可以幫助臨床醫(yī)師了解患者的更多特征變化，有利于臨床實(shí)踐。

2.3 臨床治療效果分類

臨床治療效果的評(píng)估往往存在主觀問(wèn)題，比如患者對(duì)醫(yī)師隱瞞真實(shí)情況等，醫(yī)師評(píng)估過(guò)程費(fèi)時(shí)費(fèi)力，所以客觀的檢驗(yàn)方法顯得尤為重要。2016 年，HARATI 等［36］嘗試量化腦深部電刺激療法（deep brain stimulation，DBS）對(duì)面部表情的影響，并通過(guò)區(qū)分抑郁、改善及其之間的過(guò)渡階段（主觀抑郁癥狀恢復(fù)，但情緒反應(yīng)保留）來(lái)優(yōu)化臨床管理決策；他們?cè)? 名抑郁癥患者（男性6 名，女性1 名）中開(kāi)展了為期8 個(gè)月的研究，以HAMD-17 分?jǐn)?shù)較治療前下降50%作為臨床反應(yīng)標(biāo)準(zhǔn)，將受試者狀態(tài)分為抑郁、過(guò)渡和改善，并通過(guò)非結(jié)構(gòu)化臨床訪談視頻記錄了患者在DBS 治療中的演變，以多尺度熵（multiscale entropy，MSE）捕捉像素強(qiáng)度水平在多個(gè)時(shí)間尺度上的時(shí)間變化，以深度隱變量模型（dynamic latent variable model，DLVM）學(xué)習(xí)動(dòng)態(tài)因素。結(jié)果表明從這些視頻中學(xué)習(xí)到的無(wú)監(jiān)督特征可以區(qū)分醫(yī)師所定義的臨床變化階段，并在此基礎(chǔ)上于2020 年構(gòu)建了預(yù)測(cè)模型［37］。JIANG 等［15］于2021年也針對(duì)抑郁癥的緩解情況及患者對(duì)DBS 治療的反應(yīng)進(jìn)行了分類，臨床醫(yī)師在治療前后8 個(gè)月內(nèi)每周對(duì)12 名受試者進(jìn)行評(píng)估和非結(jié)構(gòu)化訪談錄像，然后使用區(qū)域CNN 檢測(cè)器和ImageNet 預(yù)訓(xùn)練的CNN 從中提取了7 種基本情緒，通過(guò)Openface2.0 提取了動(dòng)作單元強(qiáng)度；最終發(fā)現(xiàn)分類準(zhǔn)確率排名前三的特征為“快樂(lè)”出現(xiàn)概率的最大值、“快樂(lè)”出現(xiàn)概率的平均值、面部動(dòng)作單元AU4 幅度的最大值；只通過(guò)基本情緒進(jìn)行分類的表現(xiàn)在統(tǒng)計(jì)學(xué)上優(yōu)于只通過(guò)動(dòng)作單元進(jìn)行分類；既分析情緒也分析動(dòng)作單元的預(yù)測(cè)準(zhǔn)確率與只分析情緒相似。后續(xù)的臨床治療研究可參考上述結(jié)果對(duì)研究指標(biāo)進(jìn)行優(yōu)化，讓治療效果評(píng)估更加準(zhǔn)確、省時(shí)。

此類研究進(jìn)行了長(zhǎng)期數(shù)據(jù)采集，與臨床實(shí)際聯(lián)系緊密，能更好記錄患者的面部特征變化；并且JIANG等［15］使用的區(qū)域CNN 檢測(cè)器和ImageNet 預(yù)訓(xùn)練的CNN之前都已在大規(guī)模公共數(shù)據(jù)集（包含超過(guò)100萬(wàn)張圖像）上進(jìn)行了訓(xùn)練，由此得出的結(jié)果更為可靠。但上述研究樣本量較小，缺少性別比較，后續(xù)研究可以繼續(xù)完善。

3 未來(lái)發(fā)展方向

機(jī)器學(xué)習(xí)已廣泛應(yīng)用到抑郁癥研究領(lǐng)域，為解決臨床問(wèn)題奠定了基礎(chǔ)；但許多研究忽略了抑郁癥患者情緒變化的時(shí)間特點(diǎn)等問(wèn)題，且有臨床樣本量小的局限性，這些都影響了研究質(zhì)量。而且面對(duì)復(fù)雜的生理特征，目前的研究指標(biāo)也相對(duì)單一。以下是對(duì)未來(lái)研究方向的展望。

3.1 面部特征跟蹤研究

抑郁癥的情緒變化具有“晨重暮輕”的特點(diǎn)，所以實(shí)驗(yàn)的測(cè)試時(shí)間是影響抑郁程度判斷的重要因素?，F(xiàn)有的研究暫未對(duì)這一變量進(jìn)行控制。同時(shí)，面部特征的變化十分豐富，只對(duì)單個(gè)時(shí)間點(diǎn)的數(shù)據(jù)進(jìn)行分析無(wú)法達(dá)到精準(zhǔn)診斷抑郁癥的程度。所以未來(lái)有必要增加跟蹤研究，設(shè)置隨訪次數(shù)，并控制測(cè)試時(shí)間，以使結(jié)果更符合抑郁癥患者的臨床特點(diǎn)，使自動(dòng)化檢測(cè)更加準(zhǔn)確。

3.2 面部特征差異研究

目前的機(jī)器學(xué)習(xí)研究直接聚焦于分類和識(shí)別的結(jié)果，而其中被忽略的具體面部特征差異同樣很有價(jià)值。例如動(dòng)作單元變化、表情出現(xiàn)頻次、微笑時(shí)長(zhǎng)等，可以為基礎(chǔ)心理學(xué)提供支持，也可以豐富未來(lái)臨床應(yīng)用的檢測(cè)指標(biāo)。比如曾有研究［38］比較了與精神分裂癥患者、抑郁癥患者和健康對(duì)照者的情感缺陷相關(guān)的面部表情行為，探索了精神疾病中情感鈍化的具體表現(xiàn)。也有研究［39］探索了不同程度抑郁癥患者在訪談中各個(gè)類別面部表情的出現(xiàn)頻次，以及具體的動(dòng)作單元變化差異，驗(yàn)證了抑郁癥的“社會(huì)風(fēng)險(xiǎn)假說(shuō)”。

3.3 多模態(tài)研究

有研究［40］融合了說(shuō)話行為、眼睛活動(dòng)和頭部姿勢(shì)等多種模態(tài)進(jìn)行抑郁癥預(yù)測(cè)，結(jié)果顯示多模態(tài)特征融合表現(xiàn)最佳，與單峰系統(tǒng)相比有顯著改進(jìn)。這預(yù)示著多模態(tài)研究的發(fā)展趨向。目前除面部特征外，機(jī)器學(xué)習(xí)也已在語(yǔ)音［41-43］、身體姿勢(shì)［44］、生理信號(hào)［45］等研究中發(fā)揮作用，有研究開(kāi)始嘗試面部表情與其他指標(biāo)的結(jié)合［25，46-48］。未來(lái)應(yīng)在高質(zhì)量、大規(guī)模的數(shù)據(jù)集上開(kāi)展多模態(tài)研究，從而更精準(zhǔn)地檢測(cè)抑郁狀態(tài)。

3.4 結(jié)合臨床治療研究

抑郁癥治療方法包括藥物治療、心理治療，以及一些物理治療如重復(fù)經(jīng)顱磁刺激（repetitive transcranial magnetic stimulation，rTMS）、電休克療法（electroconvulsive therapy，ECT）等。這些治療的臨床效果是科研人員和臨床人員共同關(guān)注的內(nèi)容，然而目前的抑郁癥面部特征研究中只有少數(shù)與rTMS相關(guān)的治療效果研究［15，36-37］，日后可以更多地與臨床治療結(jié)合，這將是更客觀、無(wú)侵入性、省時(shí)省力的方法。

3.5 增加臨床實(shí)踐率

目前的抑郁癥自動(dòng)化檢測(cè)研究缺乏可運(yùn)行的平臺(tái)或者應(yīng)用程序。雖然2018 年有人嘗試將3D 面部表情和語(yǔ)言融合起來(lái)設(shè)計(jì)成在手機(jī)上運(yùn)行的抑郁嚴(yán)重程度測(cè)量系統(tǒng)［49］，2019 年有團(tuán)隊(duì)基于圖像處理和語(yǔ)音助手設(shè)計(jì)了無(wú)需精神科醫(yī)師幫助的抑郁癥檢測(cè)網(wǎng)站［23］，但這些平臺(tái)不夠完善和普及。日后臨床中心間可以嘗試患者信息共享來(lái)收集更多臨床數(shù)據(jù)進(jìn)行分析，也可以開(kāi)發(fā)有面部采集授權(quán)的手機(jī)治療應(yīng)用程序，提供更貼合個(gè)人特點(diǎn)的報(bào)告或預(yù)警。這些真實(shí)、大規(guī)模的臨床數(shù)據(jù)將提高檢測(cè)模型的準(zhǔn)確率，不斷優(yōu)化臨床應(yīng)用。

總之，目前基于機(jī)器學(xué)習(xí)的抑郁癥患者面部特征研究在輔助識(shí)別和診斷抑郁癥方面還在積極發(fā)展中。為了更好服務(wù)于臨床實(shí)踐，后續(xù)研究者需要在未來(lái)增加面部特征跟蹤研究、差異研究、多模態(tài)研究、結(jié)合臨床治療研究，并增加臨床實(shí)踐率，真正在臨床中實(shí)現(xiàn)抑郁癥自動(dòng)化檢測(cè)。