Expresso-AI: 우울증 진단을 위한 설명 가능한 비디오 기반 딥러닝 모델

우울증의 광범위한 유병률과 그것이 개인 및 사회에 미치는 결과적인 영향을 고려할 때, 조기 진단 및 개입을 위한 객관적인 측정치를 확보하는 것이 매우 중요합니다. 다학제적 주제로서, 이러한 객관적 측정치는 의료 전문가들이 해석 가능하고 접근 가능해야 하며, 이를 통해 정신 건강 관리 영역에서 효과적인 협업과 치료 계획 수립을 보장해야 합니다. 지난 10년 동안 현재의 자동화된 우울증 진단 방식들이 개선되어 왔음에도 불구하고, 이들이 종종 정동 특이성 (affect-specificity)과 해석 가능성 (interpretability)이 부족하여 실제 적용과 정신 건강 관리에 미치는 잠재적 영향이 제한된다는 결정적인 격차가 존재합니다. 특히, 딥 모델 (deep models)이 사용될 때 비디오의 시간적 활동 (temporal activities)으로부터 얻는 해석 가능성은 충분히 탐구되지 않았습니다. 본 연구에서는 얼굴 비디오로 학습된 심층 신경망 (Deep Neural Networks)의 의사결정을 분석하기 위한 새로운 프레임워크를 제시하며, 특히 자동화된 우울증 중증도 진단에 초점을 맞춥니다. 행동 인식 (Action Recognition) 데이터셋으로 사전 학습된 심층 합성곱 신경망 (DCNN)을 AVEC 우울증 데이터셋의 우울증 중증도 얼굴 비디오에 미세 조정 (fine-tuning)함으로써, 우리의 프레임워크는 얼굴 영역과 시간적 표현 의미론 (temporal expression semantics)을 조사하여 모델의 살리언시 맵 (saliency maps)을 해석할 수 있습니다. 우리의 접근 방식은 모델의 결정에 대해 시각적 및 정량적 설명을 모두 생성하여, 모델의 추론 과정에 대한 더 큰 통찰력을 제공합니다. 이러한 해석 가능성 외에도, 우리의 비디오 기반 모델링은 시각적 우울증 진단을 위한 이전의 단일 얼굴 벤치마크를 개선하여 향상된 예측 성능을 결과로 나타냈습니다. 종합적으로, 우리의 연구는 우울증의 예측 능력을 향상시키는 동시에 얼굴 모델의 결정으로부터 가설을 생성할 수 있는 프레임워크의 성공적인 개발을 입증합니다.