Son yıllarda yapay zekâ ve makine öğrenmesi yöntemlerinin psikiyatrik bozuklukların nesnel olarak değerlendirilmesinde kullanılması giderek artmaktadır. Bu alandaki dikkat çekici çalışmalardan biri, Kayış ve arkadaşları (2025) tarafından gerçekleştirilen ve Zonguldak Bülent Ecevit Üniversitesi araştırmacılarının da yer aldığı çalışmadır. Araştırmada, klinik görüşme sırasında kaydedilen yüz ifadeleri, bakış davranışları, göz hareketleri, baş hareketleri ve konuşma özelliklerinin makine öğrenmesi algoritmaları aracılığıyla majör depresif bozukluğu (MDB) olan bireyleri sağlıklı kontrollerden ayırt edip edemeyeceği araştırılmıştır. Çalışmanın sonucunda kullanılan modelin %84,7 doğruluk, %90,9 duyarlılık, %78 özgüllük ve 0,89 AUC değerine ulaşması, bu yaklaşımın depresyon değerlendirmesinde yardımcı bir araç olabileceğine ilişkin önemli bir ön bulgu sunmaktadır (Kayış et al., 2025). Bununla birlikte, söz konusu sonuçların “yüzden depresyon tanısı konulabileceği” biçiminde yorumlanması bilimsel açıdan ihtiyat gerektirmektedir.
Çalışmanın en önemli güçlü yönlerinden biri, yalnızca statik yüz özelliklerine odaklanmak yerine davranışsal verileri çoklu biçimde değerlendirmesidir. Araştırmacılar gülümseme süresi, mutlu yüz ifadesinin süresi ve merkezi bakış gibi değişkenlerin depresyon grubunda daha düşük olduğunu göstermiştir. Ayrıca kamera ve mikrofonun hastaya değil görüşmeciye yerleştirilmesi, katılımcının üzerinde dikkat çekici bir cihaz bulunmaması bakımından doğal klinik etkileşimin korunmasına katkı sağlamaktadır. Bu yaklaşım, laboratuvar ortamında standartlaştırılmış yüz görüntülerinden elde edilen sonuçlara kıyasla ekolojik geçerlilik açısından avantaj sağlayabilir (Kayış et al., 2025).
Bununla birlikte, çalışmanın en önemli sınırlılığı örneklem büyüklüğüdür. Araştırmada başlangıçta 97 kişi değerlendirilmiş, teknik ve kayıt kalitesiyle ilgili dışlamaların ardından yalnızca 85 katılımcı analiz edilmiştir. Bunların 44’ü MDB grubunda, 41’i ise sağlıklı kontrol grubundadır (Kayış et al., 2025). Bu büyüklükteki bir örneklem, çok sayıda davranışsal değişkenin ve makine öğrenmesi algoritmasının birlikte değerlendirildiği bir model için sınırlı kabul edilebilir. Özellikle tek merkezli ve görece homojen bir örneklemden elde edilen yüksek sınıflandırma performansının farklı klinik ortamlarda aynı biçimde tekrarlanıp tekrarlanmayacağı henüz kesin değildir.
Bu noktada 2025 yılında yayımlanan sistematik derlemeler önemli bir karşılaştırma sunmaktadır. Yüz ifadelerinden depresyon tespitine yönelik derin öğrenme çalışmalarını 2017–2024 dönemi üzerinden inceleyen Cao ve arkadaşları (2025), alanın önemli ilerlemeler kaydettiğini ancak veri setlerinin sınırlılığı, farklı veri toplama koşulları ve gerçek yaşam ortamlarına genellenebilirlik gibi sorunların devam ettiğini bildirmiştir. Benzer biçimde, yüz ve mikro ifadelerin yapay zekâ aracılığıyla psikiyatrik ve nörolojik hastalıkların tanısında kullanılmasını inceleyen daha güncel bir sistematik derlemede, çalışmaların önemli bir bölümünün küçük örneklemlere dayandığı ve dış doğrulama gereksiniminin sürdüğü vurgulanmıştır (Ghafarfaraji, 2025).
Bir diğer önemli nokta, “yüz ifadesi ile depresyon arasındaki ilişki” ile “yüz ifadesinden depresyon tanısı koymak” arasındaki kavramsal farktır. Facial emotion recognition alanındaki 23 çalışmayı ve toplam 1.130 katılımcıyı kapsayan meta-analizde, depresyonlu bireylerde özellikle mutluluk ifadelerinin tanınmasında bazı farklılıklar bulunmuştur (Dalili et al., 2021). Ancak bu sonuçlar depresyonun yüz üzerinden doğrudan tanılanabileceğini göstermemektedir. Aksine, yüz ifadelerinin depresyonla ilişkili olabilecek çok sayıda davranışsal belirti arasında yalnızca bir grup gösterge olduğunu düşündürmektedir.
Kayış ve arkadaşlarının (2025) çalışmasında elde edilen %84,7 doğruluk oranı da bu bağlamda dikkatli yorumlanmalıdır. Tanısal bir modelin belirli bir örneklemde yüksek doğruluk göstermesi, modelin klinik ortamda aynı doğruluğu göstereceği anlamına gelmez. Nitekim yakın tarihli sistematik incelemeler, yapay zekâ temelli depresyon tespit çalışmalarında yüksek performans değerlerinin sıklıkla küçük veya seçilmiş örneklemlerden elde edildiğini ve prospektif klinik doğrulamanın halen önemli bir eksiklik olduğunu göstermektedir (Artificial Intelligence in Diagnosing Depression Through Behavioural Cues, 2025).
Öte yandan, bu eleştiriler çalışmanın bilimsel değerini ortadan kaldırmamaktadır. Tam tersine, söz konusu araştırma depresyonun değerlendirilmesinde davranışsal biyobelirteçlerin araştırılması açısından değerli bir ön çalışma niteliğindedir. Özellikle yüz ifadesi, bakış ve konuşma gibi farklı modalitelerin birlikte kullanılması, tek bir yüz özelliğine dayalı sistemlere göre daha güçlü bir yaklaşım sunmaktadır. 2025 tarihli sistematik bir inceleme de yapay zekânın konuşma, yüz ifadesi, hareket ve metin gibi farklı davranışsal göstergeleri birlikte değerlendirmesinin umut verici olduğunu ortaya koymuştur (Artificial Intelligence in Diagnosing Depression Through Behavioural Cues, 2025).
Sonuç olarak, mevcut kanıtlar “depresyon yüz çizgilerinden anlaşılabilir” şeklindeki kesin bir iddiayı desteklememektedir. Buna karşılık, depresyonla ilişkili bazı yüz ifadeleri, bakış davranışları ve diğer davranışsal özelliklerin makine öğrenmesi modelleri tarafından istatistiksel olarak ayırt edilebildiğine ilişkin giderek güçlenen kanıtlar bulunmaktadır. Bu nedenle Kayış ve arkadaşlarının (2025) çalışmasının en uygun yorumu, bir “depresyon tanı sistemi” geliştirdiği değil, klinik değerlendirmeyi destekleyebilecek potansiyel bir davranışsal tarama aracına ilişkin ön kanıt sunduğu yönündedir. Gelecekte daha büyük, çok merkezli, kültürel ve sosyodemografik açıdan heterojen örneklemlerle yapılacak bağımsız dış doğrulama çalışmaları, bu yöntemin gerçek klinik değerini belirlemek açısından zorunludur. Dolayısıyla mevcut bulgular umut verici olmakla birlikte, yüksek sınıflandırma başarısının klinik tanısal geçerlilikle eşdeğer kabul edilmesi için henüz yeterli kanıt bulunmamaktadır.
Kaynakça
- Kaynakça
- Cao, X., Zhai, L., Zhai, P., Li, F., He, T., & He, L. (2025). Deep learning-based depression recognition through facial expression: A systematic review. Neurocomputing, 627, 129605. https://doi.org/10.1016/j.neucom.2025.129605
- Dalili, M. N., Penton-Voak, I. S., Harmer, C. J., & Munafò, M. R. (2021). Facial emotion recognition in major depressive disorder: A meta-analytic review. Journal of Affective Disorders, 293, 320–328. https://doi.org/10.1016/j.jad.2021.06.053
- Ghafarfaraji, S. (2025). AI-based recognition of facial and micro-expressions for the diagnosis of mental and neurological disorders: A systematic review. BMC Psychiatry, 26, 78. https://doi.org/10.1186/s12888-025-07739-7 Kayış, H., Çelik, M., Çakır Kardeş, V., Karabulut, H. A., Özkan, E., Gedizlioğlu,
- Ç., Özbaran, B., & Atasoy, N. (2025). A novel approach to depression detection using POV glasses and machine learning for multimodal analysis. Frontiers in Psychiatry, 16, 1720990. https://doi.org/10.3389/fpsyt.2025.1720990
