基于语音特征检测抑郁症的传统和深度学习方法的诊断准确性:系统性审查和元分析

科学领域:

• 计算语言学计算语言学
• 精神病学是一个精神病学.
• 机器学习 机器学习

背景情况:

• 抑郁症的诊断是主观的,是延迟的.
• 语音特征为抑郁症提供了潜在的客观生物标志物.
• 缺乏对传统机器学习 (TML) 和深度学习 (DL) 模型进行基于语音的抑郁症检测的系统比较.

研究的目的:

• 评估和比较TML和DL模型的诊断准确性,用于使用语音特征检测抑郁症.
• 检查样本大小,验证策略,语言和诊断标准对诊断绩效的子组影响.

主要方法:

• 在遵循PRISMA指南的9个数据库中进行系统的文献搜索.
• 包括使用基于语音的TML或DL模型评估抑郁症的研究,报告灵敏度,特异性或AUC.
• 随机效应双变模型用于聚合诊断性能,具有异质性,子组和灵敏度分析.

主要成果:

• 25项研究 (9项TML,16项DL) 符合纳入标准.
• TML模型:聚合灵敏度为0.82,特异性为0.83,AUC为0.89.
• DL模型:聚合灵敏度为0.83,特异性为0.86,AUC为0.91.
• 诊断性能因样本大小,验证策略,语言和诊断标准而异.

结论:

• 无论是TML和DL模型都显示出基于语音的抑郁症检测的良好诊断准确性.
• DL模型显示边际但一致的优势,支持它们在二级护理中用于确认诊断.
• 对于初级保健查,TML模型仍然是有价值的.