Cet article propose un cadre interactif de détection de la dépression (PDIMC) pour le diagnostic précoce de la dépression. Les études existantes sur la détection de la dépression utilisent des modèles de réseaux neuronaux multicouches pour capturer la structure hiérarchique des conversations d'entretiens cliniques, mais elles sont limitées par leur incapacité à modéliser explicitement les corrélations inter- et intra-sujets et leur incapacité à permettre l'intervention du clinicien. Le PDIMC utilise des techniques d'apprentissage contextuel pour identifier les sujets des entretiens cliniques et modéliser les corrélations inter- et intra-sujets. De plus, il offre une fonctionnalité interactive qui permet aux cliniciens d'ajuster l'importance des sujets en fonction de leurs intérêts grâce à un retour d'information basé sur l'IA. Sur l'ensemble de données DAIC-WOZ, il obtient des améliorations de performance de 35 % et 12 %, respectivement, par rapport au modèle précédent le plus performant, démontrant l'efficacité de l'intégration de la modélisation des corrélations thématiques et du retour d'information externe interactif.
