《Frontiers in Artificial Intelligence》：Analysis of postpartum and other depression detection using machine learning and deep learning techniques: a systematic review
编辑推荐：
产后抑郁（Postpartum Depression, PPD）是一种主要的妊娠相关心理健康问题。目前，计算智能研究在早期检测方面迅速增加。本系统综述基于数据集、机器学习（Machine Learning, ML）和深度学习（Deep Learning, DL
产后抑郁（Postpartum Depression, PPD）是一种主要的妊娠相关心理健康问题。目前，计算智能研究在早期检测方面迅速增加。本系统综述基于数据集、机器学习（Machine Learning, ML）和深度学习（Deep Learning, DL）中使用的模型、特征选择方法、预处理技术及性能指标，对以往研究进行了详细分析。研究人员从多种来源识别了学术著作，这些研究聚焦于自然语言处理（Natural Language Processing, NLP）方法、多源数据和预测模型。研究结果表明，该领域仍不成熟，大多数调查依赖于小型或单站点数据以及少量特征。尽管近期一些研究引入了卷积神经网络（Convolutional Neural Network, CNN）、长短期记忆网络（Long Short-Term Memory, LSTM）和Transformer模型，但仍有研究关注于较少使用的多模态、多语言和实时数据。此外，可解释人工智能（Explainable AI, XAI）方法不足，阻碍了医疗可信度和实际应用。本研究强调了医学测试、模型泛化、标准比较和数据集多样性方面的关键差距。未来研究旨在开发一个可理解、可扩展的PPD检测模型。即将开展的研究应优先考虑大规模、多源数据集，纳入XAI和改进的特征表示，以及面向医疗的评估。
1 Introduction
抑郁症是一种常见的精神疾病，长期干扰日常功能，影响约2.8亿人，女性受影响更甚。产后抑郁（Postpartum Depression, PPD）是妊娠相关的主要心理健康问题，在发展中国家发生率更高（孕期约15%，产后约20%），严重时可能导致母亲自杀并影响儿童发育。治疗包括抗抑郁药物（如选择性5-羟色胺再摄取抑制剂，SSRIs）和心理疗法（如认知行为疗法，CBT）。COVID-19疫情期间，生活方式改变加剧了心理压力，研究人员利用机器学习（Machine Learning, ML）和深度学习（Deep Learning, DL）算法（如随机森林、XGBoost、支持向量机（SVM）、CNN等）检测情绪困扰。可解释人工智能（Explainable AI, XAI）方法（如SHAP、UMAP、Breakdown）也被用于增强模型透明性。本系统综述旨在全面分析ML和DL技术用于PPD及相关抑郁检测的现状，识别方法学差距，并提出未来研究方向。研究还提出了一个五层概念框架（临床需求、数据源、计算模型、XAI、临床工作流与结果），以指导实际临床应用。
2 Methodology
本综述遵循PRISMA 2020指南，采用系统透明的筛选流程。搜索策略涵盖8个在线数据库和期刊平台（Elsevier、Springer Nature、IEEE、Taylor & Francis、Wiley、WHO网站、PeerJ、Tech Science Press），检索时间截至2026年1月13日，关键词组合包括“mental health”“depression”“postpartum depression”等临床术语与“machine learning”“deep learning”“XAI”等技术术语，聚焦2015至2026年间的英文同行评审期刊文章和可信医疗组织网页。纳入标准集中于抑郁检测或预测研究，排除非抑郁障碍、非同行评审出版物及非英文研究。初步检索获得230篇文献，去除9篇重复后，221篇进入筛选，最终纳入50篇（48篇同行评审文章和2篇WHO网页参考文献）。方法学质量评估采用PROBAST+AI（Moons et al., 2025），涵盖四个领域：参与者与数据源（D1）、预测因子（D2）、结果（D3）和分析（D4），每个领域按低风险、不清楚、高风险评级，总体风险取最高值。完整评估见补充表S1。
3 Related works
3.1 Machine learning methods used for postpartum depression detection
本节总结了基于ML的PPD检测研究。Zhang等人（2021）利用电子健康记录（EHR）数据（Weill Cornell Medicine和NYC-CDRN，共约69,000名女性），采用顺序前向特征选择和贪婪搜索超参数优化，比较了随机森林、正则化逻辑回归、XGBoost等模型，其中正则化逻辑回归在AUC（Area under the Receiver Operating Characteristic Curve）上表现最佳（0.937和0.886）。Amit等人（2021）基于英国EHR（266,544名女性）使用XGBoost，AUC为0.72-0.74，结合爱丁堡产后抑郁量表（EPDS）后提升至0.805-0.844，并用SHAP解释。Andersson等人（2021）基于瑞典问卷调查数据（n=4,313）评估多种ML算法，极端随机树表现最优（准确率73%，AUC 0.81）。O?ur等人（2023）采用混合方法（海洋捕食者算法MPA结合K近邻KNN）对147个特征进行选择和分类，准确率达0.9811。Qi等人（2025）使用七种特征选择方法识别11个关键预测因子，逻辑回归和人工神经网络（ANN）获得最佳AUC（0.858和0.844）。Nasim等人（2024）提出MDKR元模型，集成决策树、KNN和随机森林，再通过多层感知机（MLP）做最终决策。Shivaprasad等人（2024）引入XAI架构（LIME、SHAP、ELI5、Anchor），KNN和堆叠集成模型准确率达97%。Moreira等人（2019）基于可穿戴物联网（IoT）设备数据，采用决策树、SVM、KNN和集成方法（Bagging），Bagging准确率约95%。这些研究表明，简单模型（如正则化逻辑回归）在结构化数据上性能不亚于复杂模型，特征工程比数据模态更重要，但直接比较存在困难（如EPDS作为标签或输入变量的差异）。
3.2 Methodological review of deep learning techniques
Gopalakrishnan等人（2023）提出属性选择混合网络（ASHN），结合产后抑郁筛查量表（PDSS）问卷和Facebook帖子数据，准确率75.74%。Lilhore等人（2024）采用基于CNN的Transformer模型和改进的双向长短期记忆（Bi-LSTM）加注意力机制，融合UCI数据集的文本和语音模态，准确率98.1%。Gopalakrishnan等人（2025）利用智能腕带采集的皮肤电活动（EDA）信号，构建堆叠集成深度学习模型，在标准数据集（WESAD、CLAS、VerBIO）上精度达93.87%。这些研究显示出多模态数据融合的优势，但均缺乏可解释性方法，表明这成为DL架构的普遍方法学短板。
3.3 Methods used from NLP techniques
Krishnamurti等人（2022）利用NLP方法（潜在狄利克雷分配LDA、LIWC、SentiWordNet、Word2Vec、LASSO回归）分析UPMC移动健康应用中的开放式文本，AUC达0.87。Wang（2025）结合NLP、电生理数据和中医数据，使用TF-IDF和RCO-DRNN算法。García-Méndez和de Arriba-Pérez（2025）融合NLP、大语言模型（LLM）和流式ML分类器（逻辑回归、高斯朴素贝叶斯等），结合ChatGPT 3.5实现基于对话的实时PPD检测，并采用反事实解释算法增强可解释性。
3.4 Different techniques for depression detection
本节通过表格（表4-6）总结了多种抑郁检测技术：基于社交媒体文本数据（如CNN+LSTM、Word2Vec、TF-IDF，准确率高达99.86%），多模态数据（音频、视频、文本融合，准确率约98%），MRI数据（随机森林提取灰质体积GMV等特征，AUC 0.802），EEG数据（DeprNet模型，准确率99.37%），以及EMR数据（SVM、逻辑回归等，AUC 0.838）。此外，还涉及基于语音、可穿戴设备和优化算法的研究。跨领域分析表明，模型复杂度并不一致地提升性能，而数据可靠性和模态匹配更为关键；XAI方法多作为事后分析而非架构策略；社交媒体数据报告的高性能缺乏临床验证，而问卷和EHR研究虽性能中等但具有实际临床适用性。
4 Preprocessing techniques used in text
文本预处理包括缺失值处理、噪声去除、词干提取、词形还原、标记化、停用词移除、HTML标签去除、大小写转换等。KNN插补常用于缺失值处理。音频预处理包括噪声去除和分段，特征提取采用梅尔频谱图（Mel spectrogram）和梅尔频率倒谱系数（MFCCs）。
4.1 Feature selection and feature extraction
机器学习中特征选择常用最小冗余最大相关性（MRMR），深度学习则自动提取特征。常用方法包括Word2Vec（CBOW与Skip-gram）、TF-IDF、FastText、GloVe、BERT和LIWC。部分研究采用自适应粒子灰狼优化或改进灰狼优化进行特征选择，以及基于上下文感知的自回归Transformer模型（结合BiLSTM和CNN）提取主题相关特征。Empath词类别频率、词性标注（POS）和卡方检验也用于降维。
4.2 Explainable AI
XAI技术分为全局和局部解释，常用模型无关方法。SHAP（SHapley Additive exPlanations）基于合作博弈论分配特征贡献，在PPD检测中广泛用于EHR和问卷数据，但计算成本高且假设特征独立。LIME（Local Interpretable Model-agnostic Explanations）通过局部线性模型解释单次预测，但解释不稳定。Anchor生成基于规则的确定性解释，ELI5提供特征重要性可视化。UMAP（Uniform Manifold Approximation and Projection）通过降维可视化高维特征空间，但不直接解释模型输出。这些方法在PPD研究中多组合使用，以增强鲁棒性。
4.2.1 Clinical interpretability vs. model performance tradeoffs
在结构化数据（如问卷、EHR）上，可解释ML模型（如SHAP增强的逻辑回归）性能与复杂DL模型相当；而在非结构化数据（文本、语音、EEG）上，DL模型表现更优但缺乏内在可解释性，需依赖事后XAI方法。可解释性与性能的权衡主要取决于数据类型。
4.2.2 Ethical concerns in healthcare AI
AI辅助PPD筛查工具引发伦理问题，XAI技术（如SHAP、LIME）有助于医疗提供者理解、评估和修正AI风险评估，增强患者和医生对模型的信任，从而促进临床采纳。
4.2.3 Bias, fairness, and generalizability
算法偏见是重要问题，现有研究多基于单一站点、单语言或同质人群（如瑞典、英国、美国），跨群体公平性研究不足。PROBAST+AI评估显示，所有社交媒体研究在D3（结果）领域均为高风险，因缺乏临床验证标准；多数研究在D4（分析）领域为不清楚风险，因缺乏外部验证和公平性评估。这表明计算公平性应作为未来评估的核心标准。
5 Research gap
现有研究存在多项关键差距：缺乏现代DL框架（如时间序列分析、迁移学习）的组合；跨语言、多源、多中心数据语料稀缺；多模态数据（文本、语音、音频、面部特征、生物信号、神经影像）融合研究不足；特征提取与融合方法不成熟；模型可解释性普遍缺失，XAI多作为事后分析而非架构设计；缺乏用户行为模式分析、严重程度评分评估以及与基准模型的比较；缺乏纵向医疗评估以验证XAI是否优化临床决策。未来研究需优先发展内在可解释模型、整合异构XAI方法并进行临床验证。
6 Conclusion
本综述综合了PPD及相关抑郁检测的最新进展，发现预测性能主要受数据可靠性和模态驱动，而非模型复杂度。轻量级模型在标准化临床数据上可达到与复杂模型相当的效果。目前领域偏重AI预测性能而忽视临床相关性，这一趋势亟待纠正。尽管CNN、LSTM、BiLSTM等模型在准确率、灵敏度和F1得分上表现优异，但仍受限于小样本、单源数据、缺乏跨语言和人口多样性以及多模态融合不足。PROBAST+AI评估证实了这些方法学风险。未来研究应聚焦于标准化多语言数据集、上下文感知交互数据、基于XAI的模型透明性提升以及临床环境中的评估，并发展低复杂度实时算法，结合聊天机器人等平台，以构建更可靠、可解释且可扩展的PPD早期检测系统。
