La detección temprana de la ideación suicida y el riesgo depresivo sigue siendo un desafío crítico, particularmente cuando los individuos expresan angustia de manera implícita a través de un lenguaje metafórico u oscurecido. Los enfoques existentes se basan principalmente en señales lingüísticas explícitas, lo que limita su efectividad en entornos del mundo real. Este artículo propone un marco unificado basado en transformadores de múltiples aspectos que integra el aprendizaje de múltiples fuentes, la optimización de múltiples tareas, la fusión de características afectivas y el entrenamiento adversarial para detectar indicadores de riesgo psicológico implícitos en datos textuales. El modelo aprende conjuntamente la detección de ideación suicida, la clasificación de la gravedad de la depresión y la detección de amenazas percibidas, mientras incorpora representaciones emocionales derivadas de señales de valencia, excitación y polaridad. Para mejorar la robustez, se emplea una estrategia de entrenamiento adversarial para simular expresiones oscurecidas, mejorando la robustez y la generalización bajo perturbaciones lingüísticas. La interpretabilidad se asegura a través de un enfoque híbrido de IA explicable que combina mecanismos de atención y atribución de características basada en SHAP. Experimentos extensivos realizados en cuatro conjuntos de datos de referencia demuestran que el enfoque propuesto logra un rendimiento de vanguardia (F1-score = 0.91), con mejoras estadísticamente significativas sobre líneas base sólidas. Análisis adicionales, incluidos estudios de ablación, evaluación adversarial y evaluación de calibración, confirman la efectividad, robustez y fiabilidad del marco propuesto. Estos resultados destacan el potencial del modelo para su implementación en aplicaciones de alto riesgo, como el triaje clínico y la monitorización de riesgos en línea, donde la detección temprana e interpretable del sufrimiento psicológico oculto es esencial.