模式：利用互信息估计器改善抑郁症专家组合以提高抑郁症检测效果

《IEEE Transactions on Affective Computing》：MoDE: Improving Mixture of Depression Experts with Mutual Information Estimator for Depression Detection

抑郁症诊断中临床访谈对话分析依赖神经网络自动发现问答对，但缺乏显式建模抑郁症因素。提出基于互信息的混合抑郁症专家模型，分阶段识别社会能力、心理状态、用药史等个体及复合因素，通过动态门控函数实现诊断决策，实验验证其优越性和可解释性。

　　

摘要：

临床访谈对话是诊断抑郁症的关键方法。现有方法在临床抑郁症访谈数据集上取得了令人印象深刻的结果。然而，这些方法严重依赖神经网络来自动发现临床对话中的关键问答对，缺乏对临床访谈中存在的抑郁症因素的显式建模。为了填补这一空白，我们提出了一种基于互信息的新型抑郁症专家混合模型，该模型能够显式分析临床访谈对话中的抑郁症因素，并识别单个和复合抑郁症因素的贡献。具体来说，我们首先从因果关系的角度识别抑郁症因素，如社交能力、心理状态和用药史。我们设计了一个由多个抑郁症专家网络组成的混合模型，每个网络专门处理单个或复合抑郁症因素。此外，我们还提出了一种基于互信息的门控函数，以便根据单个或复合抑郁症因素做出动态的抑郁症诊断决策。在公开可用的数据集上进行的实验证明了我们模型的优越性和可解释性。