Resumen: El trastorno depresivo mayor es una de las principales causas de discapacidad en todo el mundo, pero su diagnóstico aún depende en gran medida de las evaluaciones clínicas subjetivas. La integración de la inteligencia artificial (IA) es prometedora para desarrollar herramientas de diagnóstico objetivas, escalables y oportunas. En este artículo, presentamos una encuesta integral de métodos de IA de vanguardia para la detección y diagnóstico de depresión, basada en una revisión sistemática de 55 estudios clave. Introducimos una nueva taxonomía jerárquica que estructura el campo por tarea clínica primaria (diagnóstico versus predicción), modalidad de datos (texto, habla, neuroimagen, multimodal) y clase de modelo computacional (por ejemplo, redes neuronales gráficas, modelos de idiomas grandes, enfoques híbridos). Nuestro análisis en profundidad revela tres tendencias principales: el predominio de las redes neuronales gráficas para modelar la conectividad cerebral, el aumento de los grandes modelos de lenguaje para los datos lingüísticos y conversacionales, y un enfoque emergente en la fusión multimodal, la explicabilidad y la equidad algorítmica. Junto con las ideas metodológicas, proporcionamos una visión general de los conjuntos de datos públicos prominentes y las métricas de evaluación estándar como una guía práctica para los investigadores. Al sintetizar los avances actuales y destacar desafíos abiertos, esta encuesta ofrece una hoja de ruta integral para futuras innovación en psiquiatría computacional.
Publicado Originalme en export.arxiv.org El 18 de agosto de 2025.
Ver Fuente Original
