major depressive disorder
PulseAugur coverage of major depressive disorder — every cluster mentioning major depressive disorder across labs, papers, and developer communities, ranked by signal.
7 天有情绪数据
-
研究发现 X 平台收购后心理健康披露有所下降
一项新发表在 arXiv 上的研究分析了超过 824,000 条与焦虑、抑郁、双相情感障碍、边缘型人格障碍和自杀意念等心理健康状况相关的推文，重点关注埃隆·马斯克收购 Twitter 后的时期。研究人员使用 Linguistic Inquiry and Word Count (LIWC) 和基于 LLM 的亲密分类器来检测语言和披露亲密度的变化。分析显示，收购后情感和社交语言有所减少，第一人称单数代词和面向未来的表达有所增加。虽然模式…
-
新的UniPolar框架增强偏振图像恢复
研究人员开发了UniPolar，一个旨在改进偏振图像恢复的新型框架，特别是来自彩色偏振滤光阵列（CPFA）成像系统的图像。该方法解决了影响图像强度和偏振差异的复合退化问题，而现有技术通常是孤立地处理这些问题。UniPolar利用两个独立的流来重建偏振角图像和预测斯托克斯分量，并通过跨域交互和自适应特征校正进行增强。该框架还结合了物理一致性学习，以对齐图像推导和预测的斯托克斯分量，确保准确的偏振估计和物理可行性。
-
孕期抑郁症治疗或有益于婴儿大脑发育
一项最新研究表明，孕期心理疗法可有效治疗抑郁症。这种干预不仅能改善孕妇的心理健康状况，还可能对婴儿的大脑发育和情绪调节产生益处。
-
量子与经典机器学习在神经精神疾病中的应用：一项比较研究
一项新研究使用功能连接数据，评估了量子机器学习模型与经典模型在神经精神疾病分类方面的性能。研究横跨四个公开队列，共计 4,308 名受试者，发现量子核在准确性方面与经典模型在统计学上没有区别。虽然某些量子模型在特定数据集的曲线下面积 (AUC) 等指标上表现略好，但没有模型能持续优于经典方法。
-
AI模型识别青少年自残的神经动力学标记
研究人员开发了一种深度序列建模方法，用于分析患有抑郁症和非自杀性自伤（NSSI）的青少年的大脑状态动力学。该研究对106名青少年进行了脑电图（EEG）微状态分析，区分了在社交痛苦、身体痛苦和休息状态下有NSSI和无NSSI的青少年。该模型在识别NSSI方面达到了68.55%的准确率，比基线方法提高了近9%。研究结果表明，在社交痛苦期间，患有NSSI的青少年在情绪处理（MS3）和行动准备（MS5）之间的耦合存在中断。
-
大型语言模型指导的研究揭示了连接体育活动与痴呆风险的途径
一项发表在arXiv上的新研究利用大型语言模型和因果发现技术，分析了来自英国生物银行的数据，涉及超过42,000名老年人。该研究旨在理解连接体育活动与降低痴呆风险的机制。研究结果表明，较高水平的中度至剧烈体育活动通过多种途径与较低的痴呆风险相关，包括改善抑郁、功能能力、吸烟行为和心血管健康。抑郁被确定为一条核心途径，介导了约15.1%的这种关联。
-
MERID框架使用AI代理进行高级重度抑郁症分析 · 跟踪3个来源
研究人员推出MERID，一个利用多模态数据和递归自我改进代理来增强重度抑郁症（MDD）分析的新框架。MERID自主开发和优化用于MDD分类和严重程度估计的预测管道。它利用Grounded State Construction将多模态记录与抑郁症目标对齐，并利用Coupled Pipeline Exploration联合优化表示、融合和预测器。Evidence-Guided Evolution进一步根据实验反馈优化这些管道，在抑郁症基准…
-
arXiv论文指出大型语言模型抑郁症评估中存在标准污染
Tong Li及其同事的一篇新arXiv论文认为，对大型语言模型（LLMs）进行抑郁症评估的“镜像”方法存在污染。这些评估方法基于LLM根据抑郁症评估问卷的回答来预测抑郁症评分，通常报告接近完美的准确率。然而，研究人员证明，当使用非镜像（独立的生命史）访谈提示LLM预测抑郁症评分时，准确率会显著下降，这表明原始评估主要衡量的是可靠性而非真正的有效性。该研究提出在抑郁症评估中结合非镜像方法，以实现更具临床意义的大型语言模型应用。
-
新框架利用多模态脑成像改善跨站点重度抑郁症分类
研究人员开发了M2LG-DG，一个新颖的框架，旨在利用不同临床站点之间的静息态功能磁共振成像（rs-fMRI）数据来改善重度抑郁症（MDD）的分类。这种多模态方法整合了局部和全局大脑连接模式与非成像数据，将表示分解为共享和私有组件。通过采用跨站点监督对比目标，M2LG-DG鼓励模型在不同的采集域中保留诊断信息。该框架表现强劲，在四个预留的REST-meta-MDD站点上实现了69.48%的AUC，并为其他神经影像分类任务展现了潜力。
-
人工智能分析语音和语言以检测老年人的孤独感
研究人员开发了一个多模态框架，通过分析语音和语言模式来检测老年人的孤独感。该研究涉及 310 名老年人，结合了心理语言学词典和主题模型等语言特征以及音高和语调等声学特征。研究结果表明，孤独感越强与否定词和冲突相关语言的使用增加相关，而孤独感越低则与更多的社交引用和语音中的情感丰富度相关。与仅文本或仅音频的方法相比，多模态模型表现出更优越的性能，表明其作为心理评估补充工具的潜力。
-
中国批准“心灵感应”设备，挑战 Neuralink
中国国家药品监督管理局今年已批准多款脑机接口（BCI）设备，标志着国内公司在这一新兴技术领域取得重大进展。这些BCI产品旨在辅助诊断和治疗阿尔茨海默病、精神分裂症和抑郁症等疾病，并使患者能够用意念控制数字设备。此举得到了中国初创企业在脑机接口领域与埃隆·马斯克旗下Neuralink等国际竞争对手竞争的支持。
-
新的SMOTE-VAR方法提高了AI对抑郁症缓解的预测能力
研究人员开发了一种名为SMOTE-VAR的新过采样方法，以提高机器学习模型预测大学生抑郁症缓解的准确性。SMOTE等传统方法可能会生成不准确的合成样本，导致误分类和治疗延迟。SMOTE-VAR通过使用高斯过程估计生成样本的不确定性来解决这个问题，从而减少假阳性，并能够更可靠地识别可能对标准干预措施无反应的学生。
-
新的SMOTE-VAR方法提高了AI对学生抑郁症缓解的预测能力
研究人员开发了一种名为SMOTE-VAR的新过采样方法，以提高机器学习模型预测大学生抑郁症缓解的准确性。这种新颖的方法使用高斯过程来估计生成样本的不确定性，减少了传统SMOTE可能出现的假阳性。该方法在一个抑郁症数据集上进行了验证，在识别不太可能缓解的学生方面表现出优越的性能，为更个性化的心理健康干预提供了工具。
-
中国AI模型可提前4年预测抑郁风险 · 跟踪2个来源
深圳大学的科学家们开发出一种人工智能模型，能够提前四年预测重度抑郁症的风险。该模型分析青少年抑郁临床试验的数据，包括MRI扫描、血液测试和问卷调查，以识别早期预警信号。这项进展可能通过为影响全球超过3.32亿人的疾病提供预防措施，带来显著的公共卫生效益。
-
新基准标准化心理健康分类的机器学习
研究人员推出了 Neurai-VN Benchmark，这是一个用于评估机器学习模型在数字表型分析心理健康分类中的标准化框架。该基准建立在 Neurai-VN 数据集之上，该数据集包含 100 名越南成年人两周的被动传感和主动评估数据。该研究建立了基线性能指标，在区分健康个体与抑郁或临床状况个体方面达到了高达 0.71 的 F1 分数，在区分健康个体与焦虑个体方面达到了 0.69。
-
机器学习模型加速美国小区域慢性病估计
研究人员开发了机器学习模型来解决慢性病小区域估计（SAE）的滞后问题。通过学习频繁更新的区域级预测变量与现有SAE输出之间的关系，这些模型可以生成及时的估计。该研究评估了美国十种慢性病的县级SAE的各种全局和地理加权机器学习模型，发现地理加权随机森林和地理加权回归等地理加权框架为快速SAE生成提供了可扩展的解决方案。
-
AI环境MyMentorLLM模拟心理治疗培训课程
研究人员开发了MyMentorLLM，这是一个多模态生成式人工智能环境，用于培训心理治疗师。该系统模拟认知行为疗法（CBT）课程，整合了模拟患者、学员和专家导师之间的语音和文本交互。初步研究结果表明，虽然大多数LLM高估了学员的能力，但本地语音到语音模型提供的反馈最接近人类评分，并且更大的模型提高了诊断准确性。该研究强调了人工智能在CBT刻意练习中的潜力，同时也指出了患者保真度和导师校准等有待改进的领域。
-
LLM在抑郁症检测方面展现出潜力，但在严重程度评估方面存在困难
研究人员探索了使用大型语言模型（LLM）从社交媒体文本中检测抑郁症。他们的研究将零样本LLM与传统的监督分类器进行了比较，发现虽然零样本LLM在二元抑郁症分类方面表现良好，但在预测抑郁症严重程度方面存在困难。在LLM生成的摘要嵌入上训练的监督模型在多类和有序分类任务上表现出更高的准确性。研究结果表明，将LLM用作语义解释器，而不仅仅是端到端分类器，可以带来更有效和可解释的心理健康评估系统。
-
AI框架通过LLM和专家评审增强抑郁症状标注
研究人员开发了一个新颖的框架，以提高AI驱动的抑郁症状标注的质量和可解释性。该系统结合了大型语言模型和专家验证，以确保标签符合DSM-5-TR标准，提供结构化证据和推理痕迹。该框架旨在为心理健康研究创建更透明和可解释的数据集，试点研究显示一致性有所提高，手动工作量有所减少。
-
新AI框架增强了可解释的抑郁症症状标注
研究人员开发了一个新颖的框架，以改进AI系统的抑郁症症状标注，解决了标签缺乏结构化证据或与诊断标准不明确对齐的常见问题。这个自演化、专家在环系统结合了大型语言模型辅助和人工验证，为心理健康研究创建更可靠和可解释的数据集。该框架分三个阶段运行，包括证据选择、DSM-5-TR分析和病例级综合，并具有双记忆架构，用于内化专家反馈以进行迭代改进，无需重新训练。