DynMultiDep: Un enfoque dinámico de fusión multimodal y modelado de series temporales multiescala para la detección...

Área de la Ciencia:

• Inteligencia Artificial
• Aprendizaje automático
• Psiquiatría computacional

Sus antecedentes:

• La depresión es una importante preocupación mundial de salud pública.
• Los métodos actuales de detección multimodal de la depresión tienen dificultades para integrar patrones de datos a largo y corto plazo y adaptarse a las complejidades variables de los datos.
• Las estrategias de fusión estáticas existentes limitan la adaptación dinámica a la información complementaria y redundante entre diferentes modalidades de datos.

Objetivo del estudio:

• Proponer un marco dinámico multimodal para la detección de la depresión, DynMultiDep.
• Abordar las limitaciones de la integración insuficiente de patrones globales y fluctuaciones locales en el modelado de secuencias largas.
• Superar el desafío de las estrategias de fusión estáticas en la detección multimodal de la depresión.

Principales métodos:

• Se desarrolló DynMultiDep, un marco que combina el modelado temporal multiescala y la fusión adaptativa.
• Se introdujo el Módulo de Expertos Temporales Multiescala (MTEM) utilizando Mamba y Transformers para la extracción de características a largo y corto plazo.
• Se implementó el Módulo de Fusión Multimodal Dinámica (DynMM) para la selección adaptativa de modalidades e interacción intermodal.

Principales resultados:

• DynMultiDep demostró un rendimiento superior en comparación con los métodos existentes del estado del arte.
• El marco logró una precisión de detección mejorada en dos conjuntos de datos de depresión a gran escala.
• El mecanismo de fusión dinámica se adaptó eficazmente a las características de entrada, optimizando la integración de la información.

Conclusiones:

• DynMultiDep ofrece un avance significativo en la detección dinámica multimodal de la depresión.
• Los módulos propuestos MTEM y DynMM abordan eficazmente los cuellos de botella clave en los métodos actuales.
• Este marco es prometedor para mejorar la precisión y la adaptabilidad de los diagnósticos de salud mental impulsados por la IA.