摘要

本文探讨了利用荷兰街景图像（SVI）预测社区抑郁和焦虑风险的可能性。研究通过分析9,879张荷兰街景图像，结合荷兰健康监测数据，使用深度学习模型DeiT Base和ResNet50进行风险等级预测。研究结果显示，这两种模型在预测抑郁和焦虑风险方面取得了43.43%和43.63%的准确率，调整后的准确率分别为83.55%和80.38%。此外，研究还采用了SHapley Additive exPlanations（SHAP）方法和梯度展开技术来解释模型的预测决策，揭示了特定景观特征与抑郁风险类别之间的潜在关联。研究建议未来可通过这些方法监测社区抑郁和焦虑风险随时间的变化，为公共卫生策略提供支持。

原理

本研究通过收集荷兰街景图像和相应的抑郁与焦虑风险数据，利用深度学习模型DeiT Base和ResNet50进行图像分析和风险等级预测。这两种模型通过预训练和微调，能够直接从原始图像中学习并识别出与抑郁和焦虑风险相关的视觉特征。DeiT Base和ResNet50模型通过其复杂的神经网络结构，能够捕捉图像中的细微特征，并通过SHAP等解释性AI技术，揭示这些特征对模型预测决策的影响。此外，梯度展开技术进一步帮助理解模型在处理图像时的注意力分布，从而增强模型的解释性。

流程

研究首先收集了9,879张荷兰街景图像和相应的抑郁与焦虑风险数据。随后，对DeiT Base和ResNet50模型进行预训练和微调，以适应特定的分类任务。模型训练过程中，采用了交叉熵损失函数和多种正则化技术来防止过拟合。训练完成后，通过保留的测试数据集评估模型的性能，并使用SHAP和梯度展开技术进行模型解释。例如，SHAP分析揭示了模型在预测过程中对天空区域和树木等特征的重视程度，而梯度展开则展示了模型在处理图像时的注意力分布。

应用

本研究展示了深度学习模型在预测社区抑郁和焦虑风险方面的潜力。未来，这些模型和技术可以应用于实时监测环境变化对心理健康的影响，为公共卫生策略提供数据支持。此外，这些方法还可以扩展到其他国家和地区，帮助更广泛地理解和预防心理健康问题。