抑郁症领域人工智能的应用研究

前言：想要写出一篇引人入胜的文章？我们特意为您整理了抑郁症领域人工智能的应用研究范文，希望能给你带来灵感和参考，敬请阅读。

【摘要】抑郁症是最常见的精神障碍之一，其患病率高、致残致死率高，严重影响人群健康和社会功能。为了探寻更加高效、客观的诊疗方法，近年来人工智能（artificialintelligence,AI）技术在抑郁症中的应用越来越受到重视，为临床实践提供了新方法，并取得了初步成果。本文综述了人工智能技术应用于抑郁症发病预测、早期识别、辅助诊断、治疗方案的最新研究进展，并讨论了随之而来的潜在问题与挑战。

【关键词】抑郁症；人工智能；机器学习

抑郁症是最常见的精神疾病之一，国内最新的流调数据显示，我国抑郁症的终生患病率为6.9%[1]。根据WHO的报告，全球有5000多万因抑郁症致残患者，占全球残疾总人数的7.5%，是造成非致命健康损失的最大因素[2]。目前抑郁症的诊断仍是基于精神科医师的专业判断和量表评估，“一对一”的诊断方式不仅严重依赖患者的主观描述，而且占用大量医疗资源[3-4]，因此需要探寻更加高效、客观的识别方法。此外，如果在抑郁症发病前对高危人群进行有效预测，早期实施干预更有利于患者的预后。在治疗方面，现有的抑郁症治疗策略周期较长，且患者对治疗的敏感度不同，因此制定个体化的最佳治疗方案变得尤为重要。近年来人工智能（artificialintelligence,AI）技术在抑郁症中的应用日趋增多并取得了初步成果，现将其在临床诊疗中的最新进展综述如下。

一、人工智能技术与抑郁症

人工智能一词，在1956年由McCarthy正式提出，是指研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门学科。AI可以被描述为由计算系统完成的智能，其中机器和设备能够模仿人类的认知功能，如学习、推理，并解决问题，AI领域主要包括机器人、机器学习、推理和决策、自然语言处理和计算机视觉等[5]。由于AI的巨大潜力，在该领域建立短短几年后，已应用于医学领域，以提高诊疗的速度、准确性和质量[6]。1993年第1篇在抑郁症中使用AI的，2010年起论文总数大幅上升，到2018年翻了一番，达到117篇[7]。目前，在抑郁症领域颇受欢迎的是机器学习（machinelearning,ML）。作为AI的核心技术，ML通过结合个体行为、临床资料、生理信号等数据，实现抑郁症发病预测、早期识别与辅助诊断以及构建疗效预测模型，从而帮助临床医师更好地制定患者的诊断和治疗计划。但ML的局限性在于，分析结果受数据数量和质量的影响，并不足以取代医师的观察、评估和实验室检查。因此，需要精神科医师与ML从业人员合作开发AI技术，评估局限性和适用性，并设计改进和优化方法。目前常用的ML方法包括监督式、无监督式和深度学习等，此外，文本分析、虚拟现实技术也常应用于抑郁症诊疗。

二、人工智能技术在抑郁症中的应用形式

1.发病预测：对于尚未出现抑郁症状的高危人群，基于其自身的危险因素对今后的发作风险进行评估，可更好地指导潜在抑郁症患者关注自己的情绪及行为。一项研究将ML与MRI相结合预测抑郁症的发作，通过采集33名10~15岁少女各脑区的灰质、皮质厚度数据，采用支持向量机技术（supportvectorma⁃chines,SVM）预测5年内抑郁症发作概率，总体准确率达到70%（敏感性69％，特异性70％）[8]。近期，韩国有研究使用随机森林模型（randomforest,RF）发现，家庭关系、社会关系和家庭收入的满意度对于构建抑郁症发病风险的预测模型很重要，说明使用调查数据预测抑郁症的未来发作有潜力[9]。针对抑郁症的发病预测，目前主要是使用不同的ML方法对生理、行为数据进行分析。此类研究虽然还处于尝试阶段，未正式投入临床应用，但已显示出巨大潜力，未来可为抑郁症的一级预防提供支持。

2.早期识别：早期的抑郁症状很容易与单纯的情绪低落相混淆，不易被察觉，导致患者错失治疗的最佳时机。现阶段研究主要方向是将ML方法与脑电、语音信息、手机使用行为、可穿戴设备采集的信息以及文本自动分析技术相结合，对抑郁症人群进行早期识别。McGinnis等[10]将3min语音任务和ML的多种模型相结合，用于识别患有抑郁症的儿童，发现对于高质量的语音数据，应用SVM进行数据处理，准确性可达80％（敏感性为62％，特异性为89％）。Acharya等[11]提出一种新颖的计算机模型，使用ML方法与脑电图技术相结合，采用卷积神经网络中的深度神经网络分析方法，基于左半球和右半球的脑电信号进行抑郁症筛查的准确度分别为93.5％和96.0％。Razavi等[12]通过RF等一系列机器学习分类算法，研究根据手机使用行为方式筛查抑郁症患者的可能性，发现用户手机使用行为、年龄、性别作为自变量的RF分类器表现出最佳性能（敏感性为78.7%，特异性为83.5%）。另外，也可利用机器学习算法对可穿戴设备采集的睡眠时间、心率、皮肤温度等信息进行分析，来识别抑郁症患者[13]。在通过对文本的分析识别抑郁症患者的研究中，Pedasis系统通过收集网络上发表的帖子和与线上心理咨询师对话中的词汇，识别抑郁迹象[14]。Househ研究团队也正开发一款“聊天机器人”，对心理疾病进行初步筛查[15]。AI在抑郁症的早期识别方面取得了可观进展，可以降低人群中抑郁症早期筛查的假阴性率，为疾病早期诊断治疗提供更多可能。但同时也存在一定的误诊率，需要临床医师进一步诊断，因此不可完全依赖于AI的分析结果，需视应用场景而定。

3.辅助诊断：目前抑郁症的诊断是以精神科医师的精神检查为主，这虽然无法用技术替代，但为了实现更加客观、高效的诊断，AI技术逐步应用于对抑郁症患者的辅助诊断，主要方法包括ML、语音识别等。ML与MRI技术的结合，可以辅助诊断抑郁症，同时也可以反映抑郁症的严重程度。基于体素-相关向量机模型的诊断准确率为85%，敏感性为84%，特异性为85%，基于体素-特征形态-相关向量机模型的诊断准确率为90%，敏感性为93%，特异性为87%，后者虽提高了总体预测准确性，但提升幅度未超过5%[16]。国内也有研究者利用不同的ML方法，对脑电图、眼动追踪信息、皮肤电数据进行分析，准确度均在65%以上。将这3种模式（即脑电图数据、眼动跟踪信息和皮肤电数据）组合用作分类器的输入，发现通过logistic算法获得的准确度最高为79.6％，在整体上提高了诊断准确性[17]。语音是临床极易获取的非侵入式信息。研究发现，声谱能量的变化程度与抑郁的严重程度增加相关[18]。通过对抑郁症患者语音特征进行计算，并使用ML方法创建结果度量模型，发现个体训练模型与患者实际临床状态之间具有高度相关性（高达0.78）[19]。此外，AI技术也可以用于量表开发，促进情感障碍的高效鉴别诊断。通常双相情感障碍与抑郁症难以鉴别，有研究利用机器学习的RF模型来优化情感障碍评估量表（affectivedisorderevaluationscale,ADE），进而开发出更为简洁的中文双相情感障碍诊断清单（bipolardiagnosischecklistinChinese,BDCC），并将其应用于临床实践，便于对双相情感障碍和抑郁症进行快速有效的鉴别诊断[20]。

4.治疗（1）疗效预测：研究表明抑郁症的早期干预和治疗与更好的预后相关[21]，但抑郁症的治疗起效一般较慢，往往需要数周才能判断是否有效，会导致患者的治疗依从性下降，也延长了患者恢复良好心理状态的时间，因此早期判断患者治疗措施的有效性至关重要。利用AI技术预测疗效可以缩短有效起始治疗所需的时间。有学者将ML与治疗前脑电图相结合，预测选择性5-羟色胺再摄取抑制剂（selectiveserotoninreup⁃takeinhibitor,SSRI）对特定的抑郁症患者是否有效，该方法特异性为80.9％，灵敏度为94.9％，总预测准确度为87.9％[22]。Browning等[23]采用SVM将情感分类任务、情绪回忆任务和面部表情识别任务的特征与问卷特征结合进行预测，发现利用治疗后1周的数据预测4~6周后的疗效，准确性为77％。除了对药物疗效进行预测，也可以通过ML方法对物理治疗的疗效进行有效预测。Zandvakili等[24]将ML和脑电图结合，预测抑郁症患者经颅磁刺激治疗是否有效，预测模型具有高特异度，可以成为临床个体化治疗的有效筛选工具。同样，一些研究通过联合使用磁共振结构相数据和ML技术预测电休克疗法对抑郁症患者是否有效，已经发现一些潜在的生物标志物，通过SVM预测的准确率为78.3％，使用高斯过程分类器（Gaussianprocessclassifier,GPC）准确率达到73.9％，两种分类器的结果接近[25]。通过ML算法利用脑电图、MRI、生理信号对患者预期疗效的判断已取得初步成果，体现了ML在抑郁症治疗决策中的重大意义。随着AI技术的不断发展，将实现更加精准的治疗。（2）心理治疗：通过构建虚拟场景、虚拟人物，结合心理治疗师对抑郁症患者进行认知行为治疗、人际心理治疗。研究表明，15例患者经过为期5周的治疗，12例抑郁症状改善，其中5例明显改善，可见虚拟现实技术在抑郁症的心理治疗方面有较大的应用潜力，但还存在硬件方面的限制，影响了其推广应用[26]。借助虚拟现实技术开展心理治疗时，还可利用ML算法开发心理智能聊天机器人（Tess）。Tess可以提供多种心理干预措施，如认知行为疗法、正念疗法、人际心理治疗等，对患者进行心理健康支持、心理教育，有效缓解了患者的抑郁症状[27]。尽管AI不能取代心理治疗师的角色，但仍提供了一种经济高效的治疗方案，同时也可以作为心理治疗的辅助工具在临床应用。

三、人工智能技术在抑郁症应用中存在的问题

1.样本代表性较差：目前大部分基于人工智能对抑郁症诊疗的研究普遍样本量较小，不能很好地反映总体抑郁症人群的特征。如何实现智能手段对疾病的预测、鉴别、诊断、治疗，需要足够的样本数据充分覆盖每个群体的特征进行计算，避免出现由于抽样误差导致的数据偏倚。

2.智能手机相关的伦理问题：智能手机为代表的移动设备虽然为患者带来了诸多好处，但对加强隐私保密措施的研究仍然有限。尽管患者的信息通常是匿名的，但数据重新识别技术仍然对个人信息构成潜在威胁[28]。由于抑郁症患者的特殊性，临床信息的泄漏可能会导致情绪创伤、恶化病情。因此，未来的政策应着重于隐私问题的解决，在数据的有益利用与个人隐私之间取得平衡[29]。

3.临床应用面临的困难：因临床数据越来越复杂，研究人员必须处理不同类型、不同来源的大数据，如人口数据、图像数据、遗传信息数据、社交网络数据等[30]。临床数据的多样性增加了设计算法和建立推理模型时的复杂程度和困难程度，因此大多数研究仅停留在模型建立等理论基础上，还未将大数据分析的成果转化为临床应用。

四、展望

AI技术对于抑郁症的诊疗研究，已在影像、智能穿戴、文本识别等方面有了突破。这些研究旨在用机器代替医师完成诊疗中的重复性工作，通过对大数据的分析，判断疾病的发生与转归，逐步实现从“人工”向“智能”的转变，为诊疗提供新手段、新思路。未来的研究应该进一步提高预测、诊断的准确度，并解决样本量不足的问题，不断完善AI技术，使其能够投入临床应用，减少医疗资源浪费、提高工作效率，为抑郁症患者提供更加有效的个性化治疗方案。

作者：韩佳丽 丰雷 单位：首都医科大学附属北京安定医院