Este artículo propone un marco interactivo para la detección de la depresión (PDIMC) para el diagnóstico temprano de la depresión. Los estudios existentes sobre detección de la depresión utilizan modelos de redes neuronales multicapa para capturar la estructura jerárquica de las conversaciones en entrevistas clínicas, pero estos se ven limitados por su incapacidad para modelar explícitamente las correlaciones intertemáticas e intratemáticas y su incapacidad para permitir la intervención del profesional clínico. PDIMC utiliza técnicas de aprendizaje contextual para identificar temas en entrevistas clínicas y modelar las correlaciones intertemáticas e intratemáticas. Además, proporciona una función interactiva que permite al profesional clínico ajustar la importancia de los temas según sus intereses mediante retroalimentación basada en IA. En el conjunto de datos DAIC-WOZ, logra mejoras de rendimiento del 35% y el 12%, respectivamente, en comparación con el modelo anterior de mejor rendimiento, lo que demuestra la eficacia de integrar el modelado de correlación de temas y la retroalimentación externa interactiva.
