Ruhsal bozuklukların erken tanısı, tedavisi ve izlenmesi, belirtilerin öznel doğası ve geleneksel klinik yöntemlerin ölçüm sınırlılıkları nedeniyle güçtür. Bu bölüm, işitsel, görsel ve çok-kipli verilerden nesnel biyobelirteçler elde etmeyi amaçlayan hesaplamalı yaklaşımları sinyal işleme ve makine öğrenmesi perspektifinden ele almaktadır. Veri kaynakları, klinik değerlendirme ölçekleri, ön işleme adımları, ses ve görüntü verileri için öznitelik çıkarım yöntemleri, sınıflandırma mimarileri ve çok-kipli füzyon stratejileri teknik düzeyde incelenmektedir. Bu teknik çerçeve son yıllarda belirli yöntemler ve hedefler çevresinde yoğunlaşan ve özellikle COVID-19 sonrası dönemde hızla genişleyen kapsamlı bir literatüre dayanmaktadır. Bu yöntem ve hedef yoğunlaşması içinde depresyon tespiti baskın araştırma hedefi olarak öne çıkmış, evrişimli sinir ağları (CNN) ise temel mimari haline gelmiştir. Öznitelik düzeyinde gerçekleştirilen ses-görüntü füzyonu, tek-kipli çözümlere kıyasla kayda değer doğruluk kazanımları sağlamıştır. Bölümde ayrıca temsili yüz ve ses tanıma mimarileri, temel ve yardımcı sınıflandırma yöntemleri arasındaki ayrım ile uzaktan ve sürekli değerlendirme, mahremiyeti koruyan girişimsel olmayan izlem ve kaynak erişiminin sınırlı olduğu koşullara uyarlanabilirlik gibi gerçek yaşam uygulamaları tartışılmaktadır. Bununla birlikte kültürel ve dilsel çeşitlilikten yoksun veri kümeleri, tanı ile tedavi arasındaki boşluk ve modellerin yorumlanabilirlik eksikliği alandaki yeniliklerin klinik etkiye dönüşmesinin önündeki başlıca engeller olmayı sürdürmektedir. Dolayısıyla bu engellerin aşılması alanın önceliklerini doğrudan şekillendirmektedir. Yapılan araştırmalar model doğruluğunu artırmanın ötesinde, bu alanda çeşitlilik içeren ve uzun vadeli veri kümeleri oluşturulmasının, modellerin tüm klinik sürecini kapsayacak şekilde genişletilmesinin ve klinik ihtiyaçları doğrudan karşılayan, yorumlanabilir sistemler geliştirilmesinin gerekli olduğunu ortaya koymuştur.