Symptom-Aware Depression Detection Using Graph Neural Networks

• Autores: Karla María Valencia-Segura, Hugo Jair Escalante , Fernando Martínez Santiago , Luis Villaseñor Pineda
• Localización: Procesamiento del lenguaje natural, ISSN 1135-5948, Nº. 75, 2025 (Ejemplar dedicado a: Procesamiento del Lenguaje Natural, Revista nº 75, septiembre de 2025), págs. 17-27
• Idioma: inglés
• Títulos paralelos:
  • Detección de Depresión Basada en Síntomas mediante Redes Neuronales de Grafos
• Enlaces
  • Texto completo
• Resumen
  • español

    La depresión es una condición de salud mental ampliamente extendida, pero el acceso a atención efectiva sigue siendo limitado. La inteligencia artificial (IA) ofrece potencial para ayudar en el diagnostico, pero muchos modelos no se alinean con los criterios médicos. Este trabajo propone un enfoque novedoso para la detección automática de depresión utilizando transcripciones de entrevistas clínicas, empleando una Red de Convolución de Grafos (GCN) con una estructura de grafo bipartito y un modelo de lenguaje grande (LLM) para modelar las relaciones entre síntomas y frases. El modelo logra un rendimiento solido en la clasificación de depresión, identificando frases clave relacionadas con los síntomas tratando de ofrecer un enfoque clínicamente relevante. Aunque es superado ligeramente por algunos métodos de vanguardia, el modelo propuesto proporciona información valiosa sobre los marcadores lingüísticos de la depresión.

  • English

    Depression is a widespread mental health condition, yet access to effective care remains limited. Artificial intelligence (AI) offers potential for help on diagnosis, but many models fail to align with medical criteria. This work proposes a novel approach for automatic depression detection using clinical interview transcriptions, leveraging on a Graph Convolutional Network (GCN) with a bipartite graph structure and a large language model (LLM) to model symptom-phrase relationships. The model achieves strong performance in depression classification, identifying key symptom-related phrases and trying to offer a clinically relevant approach. While slightly outperformed by some state-of-the-art methods, the proposed model provides valuable insights into linguistic markers of depression.

• Referencias bibliográficas
  • 2022a. Mental disorders. World Health Organization. Available at https://www.who.int/news-room/factsheets/detail/mental-disorders.
  • 2022b. Mental health and covid-19: Early evidence of the pandemic’s impact: Scientific brief, 2 march 2022. World Health Organization. Available...
  • 2023. Artificial intelligence in mental health research: new who study on applications and challenge. World Health Organization. Available...
  • Association, A. P. 2013. Diagnostic and statistical manual of mental disorders: DSM-5. American Psychiatric Association.
  • Burdisso, S., E. Villatoro-Tello, S. Madikeri, and P. Motlicek. 2023. Node-weighted graph convolutional network for depression detection in...
  • DeVault, D., R. Artstein, G. Benn, T. Dey, E. Fast, A. Gainer, K. Georgila, J. Gratch, A. Hartholt, M. Lhommet, G. Lucas, S. Marsella, F....
  • Dinkel, H., M. Wu, and K. Yu. 2019. Text-based depression detection on sparse data. arXiv preprint arXiv:1904.05154.
  • Gupta, A. K., A. Dhamaniya, and P. Gupta. 2024. Radiance: Reliable and interpretable depression detection from speech using transformer. Computers...
  • Lee, B., J.-U. Bang, H. J. Song, and B. O. Kang. 2025. Alzheimer’s disease recognition using graph neural network by leveraging image-text...
  • Lopez-Otero, P., L. D. Fernández, A. Abad, and C. Garcia-Mateo. 2017. Depression detection using automatic transcriptions of de-identified...
  • Milintsevich, K., K. Sirts, and G. Dias. 2023. Towards automatic text-based estimation of depression through symptom prediction. Brain informatics,...
  • Namboodiri, S. P. and D. Venkataraman. 2019. A computer vision based image processing system for depression detection among students for counseling....
  • Paszke, A., S. Gross, F. Massa, A. Lerer, J. Bradbury, G. Chanan, T. Killeen, Z. Lin, N. Gimelshein, L. Antiga, et al. 2019. Pytorch: An imperative...
  • Reimers, N. and I. Gurevych. 2019. Sentence-BERT: Sentence embeddings using siamese bert-networks. In Proceedings of the 2019 Conference on...
  • Shen, H., S. Song, and H. Gunes. 2024. Multi-modal human behaviour graph representation learning for automatic depression assessment. In 2024...
  • Shin, D., K. Kim, S.-B. Lee, C. Lee, Y. S. Bae, W. I. Cho, M. J. Kim, C. H. K. Park, E. K. Chie, N. S. Kim, et al. 2022. Detection of depression...
  • Villatoro-Tello, E., G. Ramírez-de-la Rosa, D. Gática-Pérez, M. Magimai.-Doss, and H. Jiménez-Salazar. 2021. Approximating the mental lexicon...
  • Xia, Y., L. Liu, T. Dong, J. Chen, Y. Cheng, and L. Tang. 2024. A depression detection model based on multimodal graph neural network. Multimedia...