Context Matters: Vision-Based Depression Detection Comparing Classical and Deep Approaches

1. Problema e Motivação

A detecção automática de depressão baseada em visão computacional é uma área promissora para intervenção precoce e avaliação contínua. No entanto, a literatura atual apresenta lacunas significativas:

• Falta de Comparação: Pouco se sabe sobre como as abordagens clássicas (baseadas em características manuais/engenharia de características) se comparam às abordagens de Deep Learning (baseadas em características aprendidas) em termos de precisão, justiça demográfica e generalização.
• Viés de Contexto: A maioria dos estudos utiliza apenas um único banco de dados (geralmente entrevistas humano-agente), ignorando como o contexto da interação (ex.: clínico vs. familiar) afeta a detecção.
• Justiça e Generalização: Há escassez de pesquisas sobre a equidade dos modelos entre subgrupos demográficos (raça e sexo) e sua capacidade de generalizar entre diferentes cenários de interação.

O objetivo deste trabalho é preencher essas lacunas comparando rigorosamente uma abordagem clássica e uma abordagem profunda em dois contextos distintos de interação.

2. Metodologia

Bancos de Dados e Contextos

O estudo utilizou dois bancos de dados com características demográficas e contextuais muito diferentes:

1. TPOT (Transitions in Parenting of Teens): Interações mãe-filho.
   • Contexto: Tarefa de resolução de problemas não estruturada (~15 min).
   • Definição de Depressão: Histórico de tratamento + sintomas atuais/recentes (PHQ-8 > 10).
   • Participantes: 148 díades (73 deprimidas), majoritariamente mulheres de baixa renda.
2. Pitt (University of Pittsburgh): Entrevistas paciente-clínico.
   • Contexto: Avaliação estruturada de gravidade da depressão (HRSD).
   • Definição de Depressão: Diagnóstico clínico confirmado (HRSD ≥ 15), reavaliada ao longo do tratamento.
   • Participantes: 50 participantes (32 mulheres, 18 homens), com múltiplas sessões por participante.

Abordagens Comparadas

1. Abordagem Clássica (Handcrafted Features):

   • Recursos: Características manuais extraídas usando a caixa de ferramentas AFAR.
     • Dinâmica Facial e da Cabeça (FHD): Velocidade, aceleração, orientação, deslocamento de marcos faciais.
     • Unidades de Ação (AU): 17 AUs codificadas manualmente.
   • Classificador: Máquina de Vetores de Suporte (SVM).
   • Fusão: Fusão precoce (Early Fusion) de AU + FHD.

2. Abordagem Profunda (Deep Learning):

   • Recursos: Embeddings aprendidos do modelo pré-treinado FMAE-IAT (Face Masked Autoencoder with Identity-Adversarial Training).
   • Processamento: Extração de embeddings ao nível de "turno" (turn-level) a partir de falas.
   • Seleção de Camada: Um experimento de linear probing identificou que a camada ótima varia por contexto (Camada 6 para TPOT, Camada 2 para Pitt), desafiando o uso padrão da última camada.
   • Classificador: Perceptron Multicamadas (MLP) de duas camadas.
   • Agregação: Predições ao nível da sessão feitas por votação majoritária dos turnos.

Métricas de Avaliação

• Desempenho: Acurácia Balanceada (ACC), Acordo Positivo (PA) e Acordo Negativo (NA).
• Justiça: Equalized Odds Ratio (EOR) para raça e sexo (valores próximos de 1 indicam maior justiça).
• Generalização Cruzada: Treinamento em um contexto e teste no outro (não visto).

3. Resultados Principais

Desempenho de Detecção

• Superioridade Clássica: A abordagem clássica (AU + FHD) superou consistentemente a abordagem profunda em ambos os contextos.
  • Pitt (Paciente-Clínico): Clássico (ACC = 0,634) vs. Profundo (ACC = 0,583). A diferença foi estatisticamente significativa.
  • TPOT (Mãe-Filho): Clássico (ACC = 0,623) vs. Profundo (ACC = 0,597). Diferença nominal, mas a clássica ainda foi superior.
• Discrepância de Classes: A abordagem profunda apresentou uma grande discrepância entre a detecção de classes deprimidas e não deprimidas (melhorando apenas uma classe), enquanto a abordagem clássica manteve um equilíbrio mais consistente.

Justiça (Fairness)

• Dependência do Contexto: A justiça não é uniforme.
  • No contexto Mãe-Filho, ambas as abordagens foram comparáveis em justiça racial.
  • No contexto Paciente-Clínico, a abordagem clássica (especialmente com recursos AU) foi significativamente mais justa (EOR = 0,873 para raça e 0,979 para sexo) do que a abordagem profunda (EOR = 0,541 para raça e 0,741 para sexo).

Generalização Cruzada

• Desafio Crítico: Ambos os modelos tiveram desempenho muito pobre ao tentar generalizar de um contexto para o outro (acurácias próximas ou abaixo do acaso, ~0,45-0,54).
• Isso sugere que os comportamentos visuais da depressão são altamente específicos do contexto (estruturado vs. não estruturado) e não existem representações "agnósticas ao contexto" eficazes com os dados atuais.

4. Contribuições Chave

1. Comparação Direta: Primeiro estudo visão-centrado a comparar sistematicamente métodos clássicos e profundos em termos de precisão, justiça e generalização em múltiplos contextos.
2. Validação Clínica: Uso de diagnósticos clínicos validados (DSM/HRSD) em vez de apenas autorrelatos, aumentando a confiabilidade dos rótulos.
3. Descoberta de Sensibilidade de Camada: Demonstrou que a camada ótima de extração de recursos em modelos pré-treinados varia dependendo do contexto da interação, sugerindo que o uso padrão da última camada pode não ser ideal.
4. Evidência de Viés Contextual: Evidência robusta de que a justiça e a eficácia dos modelos de detecção de depressão são sensíveis ao contexto da interação, não sendo apenas uma questão de arquitetura do modelo.

5. Significado e Conclusão

O estudo conclui que, para a detecção de depressão baseada em visão, abordagens clássicas com características manuais e classificadores simples (SVM) podem superar abordagens de Deep Learning complexas, especialmente em cenários clínicos estruturados.

As principais implicações são:

• Reavaliação de State-of-the-art: A tendência de focar exclusivamente em Deep Learning pode não ser a melhor rota para esta tarefa específica; características baseadas em conhecimento de domínio (como dinâmicas faciais e AUs) ainda são cruciais.
• Importância do Contexto: A depressão manifesta-se de forma diferente em entrevistas clínicas versus interações familiares. Modelos treinados em um contexto não devem ser aplicados cegamente a outro.
• Justiça: A equidade dos modelos é altamente dependente do contexto; um modelo justo em um cenário pode ser injusto em outro.
• Futuro: A baixa generalização cruzada indica a necessidade de novos paradigmas de pesquisa que considerem a especificidade contextual da depressão e a criação de bancos de dados maiores e mais diversos para superar as limitações atuais de privacidade e viés demográfico.