手机上的简单测试-经由AI判定精神类疾病

2019年，《柳叶刀-精神病学》杂志上发表的中国精神卫生调查显示，在中国所有主要的精神障碍中，焦虑障碍的患病率最高，终生患病率大约为7.6%，而年患病率大约为4.98%。焦虑障碍以在没有明确威胁的情况下强烈的恐惧和持续的担忧为特征。慢性焦虑可能会损害一个人的身心健康，并影响人际关系、职业和生活质量。

“我认为焦虑是每个人在不同生活阶段以不同水平经历的，对大多数人来说这是一个可以共鸣的问题，”Sumra Bari说，她是该研究的第一作者，也是辛辛那提大学工程学院和应用科学学院的高级研究助理。

“该研究使用了最小的计算资源和一组少量的变量来预测焦虑水平。这些变量中重要的一组量化了判断过程中重要的过程。我们称这种方法为‘Comp Cog AI’，因为它将计算认知与人工智能结合起来。”

这种方法没有使用大量的社交、医疗或心理数据，也不需使用具有重大能源需求的超级计算机，而是专注于一个简短的照片评分任务，个人给照片分配正面或负面评分，并回答一组有限的情境问题，例如年龄和孤独感。

“大数据预测一直是一个重要的焦点，”该研究的共同作者兼联系首席研究员Hans Breiter说。Breiter是辛辛那提大学的计算机科学与生物医学工程教授，也是麻省总医院和哈佛医学院的精神病学兼职教授。

“基于大数据的预测是强大的，但挑战在于如何解释这样的预测，”他说。

“拥有基于数学心理学的少量变量似乎可以绕过这个问题，如果当前的机器学习要想接近人工通用智能的问题，或者说是完成大脑例行公事地为多种认知功能所做的事情，那开展大数据预测是必要的。当前的工作基于一组关于人类判断的方程式，支持其他人工智能科学家所说的‘心智标准模型’的概念。”

该研究发表在《npj精神健康研究》上。它得出结论，判断指标和一些人口统计学数据在预测个人经历焦虑程度方面起着关键作用。

研究呈现的系统可以是一个应用程序，供医疗专业人员、医院或军方用来识别那些有紧急焦虑风险的人。

参与者的人口统计学数据根据美国人口普查局的数字反映了美国的状况，他们在个人数字设备上完成了研究调查，并回答了关于人口统计学特征和感知孤独感的问题。

这3476名参与者还对48张具有轻微情感主题的图片进行了喜欢或不喜欢的程度评分，这是一个短暂（2-3分钟）的，无监督的评分任务，使用的是国际情感图片系统。照片评分数据被用来量化人们判断的数学特征。然后这些数据经由机器学习算法，从状态-特质焦虑量表的焦虑部分预测当前的焦虑水平。研究发现最重要的预测因素（如年龄、孤独感、家庭收入、就业状况）总共解释了29-31%的预测性能，而来自图片评分的特征则解释了高达61%的预测性能。

研究还发现，焦虑水平较高的个体在判断变量上的中位数变化表现出一种特定的行为模式：他们通常表现出较低的韧性、较高的回避倾向和更多的冷漠行为。该发现不仅加深了我们对焦虑状况和行为差异背后心理过程的理解，还对治疗的发展和效果产生了影响。这样的研究指出可以开发类似的应用，用近乎零成本的方式，持续对可能的焦虑障碍易感人群进行监控，从而及早发现可能的焦虑障碍患者。

图片评分任务示例

“使用影响判断的照片评分任务和情境变量可能看起来很简单，但理解偏好模式允许我们揭示对大量行为至关重要的组成部分，”共同资深作者Aggelos Katsaggelos说，他是麦考密克电气与计算机工程系的Joseph Cummings教授，也是西北大学图像与视频处理实验室的主任。