IDRL：一种用于抑郁症诊断的个体感知多模态抑郁相关表示学习框架
计算机视觉与模式识别
2026-03-13 v1 人工智能
摘要
抑郁症是一种严重的精神障碍，可靠的识别在早期干预和治疗中起着关键作用。多模态抑郁症检测旨在通过联合建模来自多种模态的互补信息来提高诊断性能。近年来，已经提出了许多用于抑郁症分析的多模态学习方法；然而，这些方法存在以下局限性：1）模态间不一致和抑郁无关干扰，其中抑郁相关线索可能在模态间冲突，而大量无关内容掩盖了关键的抑郁信号；2）多样化的个体抑郁表现，导致模态和线索重要性的个体差异，阻碍了可靠的融合。为了解决这些问题，我们提出了个体感知多模态抑郁相关表示学习框架（IDRL）用于稳健的抑郁症诊断。具体来说，IDRL 1）将多模态表示解耦为模态共同抑郁空间、模态特定抑郁空间和抑郁无关空间，以增强模态对齐同时抑制无关信息；2）引入个体感知模态融合模块（IAF），根据解耦的抑郁相关特征的预测重要性动态调整其权重，从而为不同个体实现自适应跨模态融合。大量实验表明，IDRL在多模态抑郁症检测中实现了优越且稳健的性能。
引用
@article{arxiv.2603.11644,
title = {IDRL: An Individual-Aware Multimodal Depression-Related Representation Learning Framework for Depression Diagnosis},
author = {Chongxiao Wang and Junjie Liang and Peng Cao and Jinzhu Yang and Osmar R. Zaiane},
journal= {arXiv preprint arXiv:2603.11644},
year = {2026}
}