利用行为数据预测产后抑郁症的深度学习方法：系统综述

《IEEE Access》：Deep Learning for Postpartum Depression Prediction Using Behavioral Data: A Systematic Review

　　

摘要：

产后抑郁症（PPD）影响着全球约10%至20%的女性，但由于社会污名化、临床就诊渠道有限以及主要依赖不频繁的自我报告筛查，该疾病的诊断率仍然很低。深度学习（DL）的最新进展，以及来自可穿戴设备、智能手机和社交媒体的行为数据的增加，为持续和客观地预测PPD提供了新的机会。本系统评价综合了2020年至2026年间发表的、基于深度学习的方法来检测PPD的研究，遵循了PRISMA 2020指南。共识别出4,312条记录，其中50项研究符合纳入标准。评价内容包括卷积神经网络（CNNs）、循环神经网络（RNNs）、长短期记忆网络（LSTM）、基于Transformer的模型以及多种行为模式下的多模态架构。对比分析表明，在特定的实验环境中，多模态深度学习架构通常表现出更好的预测性能，但由于数据集的异质性、标签的变异性以及评估协议的差异，直接进行跨研究比较仍然具有挑战性。主要存在的问题包括数据集多样性不足、可解释性不够以及缺乏临床验证。本评价提供了一个结构化的分类体系、定量比较结果，并指出了未来研究的方向，以推动开发出稳健、公平且可临床应用的PPD预测系统。