Triagem precoce de saúde mental com inteligência artificial : análise de selfies de gestantes de alto risco

Otranstorno depressivo maior e os transtornos de ansiedade afetam milhões de pessoas em todo o mundo, contribuindo significativamente para problemas de saúde mental em nível mundial. A triagem precoce é essencial para uma intervenção eficaz, pois a identificação oportuna dessas condições pode melhorar consideravelmente os desfechos do tratamento. A inteligência artificial (IA) pode ser uma ferramenta valiosa na melhoria dos processos de triagem, possibilitando intervenções antecipadas e, consequentemente, tratamentos mais eficazes. A triagem assistida por IA pode explorar a análise de múltiplas fontes de dados, incluindo características faciais em imagens digitais. No entanto, os métodos existentes frequentemente dependem de ambientes controlados ou equipamentos especializados, o que limita sua aplicabilidade em larga escala. Este estudo investiga o potencial de modelos de IA para triagem ubíqua de depressão e ansiedade a partir de selfies focadas na face. A pesquisa tem como foco pacientes gestantes de alto risco, uma população particularmente vulnerável a problemas de saúde mental. Para lidar com a limitação de dados de treinamento imposta pelo contexto clínico, foram adotadas duas abordagens com modelos pré-treinados: ajuste fino de redes neurais convolucionais, originalmente desenvolvidas para o reconhecimento de expressões faciais, e uso de modelos de linguagem visão para análise zero-shot de expressões faciais. Os resultados experimentais indicam que a abordagem baseada em modelos visão-linguagem supera consistentemente as redes neurais convolucionais, atingindo acurácia de 77,6%, embora com F1-score relativamente baixo (56%). Os estudos realizados apontam para um caminho promissor de pesquisa; contudo, conclui-se que a aplicação dos métodos estudados em cenários reais exige um maior número de amostras, tanto para permitir uma avaliação mais robusta quanto para garantir maior representatividade dos dados no treinamento dos modelos.

Major depressive disorder and anxiety disorders affect millions of people worldwide, con tributing significantly to the global burden of mental health problems. Early screening is essential for effective intervention, as timely identification of these conditions can substan tially improve treatment outcomes. Artificial intelligence (AI) can be a valuable tool for enhancing screening processes, enabling earlier interventions and, consequently, more effec tive treatments. AI-assisted screening can leverage multiple sources of data, including facial features in digital images. However, existing methods often rely on controlled environments or specialized equipment, limiting their scalability. This study investigates the potential of AI models for ubiquitous screening of depression and anxiety from face-focused selfies. The research focuses on high-risk pregnant patients, a population particularly vulnerable to mental health issues. To address the training data limitations imposed by the clinical context, two approaches using pre-trained models were adopted: fine-tuning convolutional neural networks originally developed for facial expression recognition, and employing vision-language models for zero-shot analysis of facial expressions. Experimental results indicate that the vision-language-based approach consistently outperforms convolutional neural networks, achieving an accuracy of 77.6%, however, with a relatively low F1-score (56%). The conducted studies point to a promising research direction; however, we conclude that applying the methods in real-world scenarios requires a larger number of samples, both to allow for a more robust evaluation and to ensure greater representativeness of the training data.