KI-Modelle zur Erkennung und Diagnose von Depressionen – umfassende Übersicht
Depressionen gehören zu den häufigsten Ursachen von Behinderungen weltweit. Trotz ihrer Relevanz bleibt die Diagnose meist subjektiv und von klinischen Einschätzungen abhängig. In einer neuen systematischen Übersicht wurden 55 Schlüsselstudien zu KI‑Methoden für die Erkennung und Diagnose von Major Depressive Disorder analysiert.
Die Autoren entwickelten eine hierarchische Taxonomie, die die Forschung nach primären klinischen Aufgaben (Diagnose vs. Vorhersage), Datenmodalitäten (Text, Sprache, Neuroimaging, multimodal) und Modellklassen (Graph‑Neural‑Networks, Large Language Models, hybride Ansätze) strukturiert. Diese Struktur erleichtert die Orientierung in einem schnell wachsenden Feld.
Die Analyse zeigt drei zentrale Trends: Erstens dominieren Graph‑Neural‑Networks die Modellierung von Hirnverbindungen. Zweitens gewinnen Large Language Models an Bedeutung für sprachbasierte und konversationelle Daten. Drittens wird verstärkt multimodale Fusion, Erklärbarkeit und algorithmische Fairness untersucht, um robuste und vertrauenswürdige Diagnosewerkzeuge zu schaffen.
Zusätzlich bietet die Studie einen Überblick über wichtige öffentliche Datensätze und gängige Evaluationsmetriken, was Forschern einen praktischen Leitfaden für die Entwicklung neuer KI‑Modelle liefert. Die Arbeit hebt offene Herausforderungen hervor und liefert damit eine Roadmap für zukünftige Innovationen in der computergestützten Psychiatrie.