major depressive disorder
PulseAugur coverage of major depressive disorder — every cluster mentioning major depressive disorder across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
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。
-
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。
-
中国研究人员开发可穿戴多巴胺传感器用于实时健康监测
中国研究人员开发了一种可穿戴传感器贴片，旨在实时监测多巴胺水平。该贴片利用微型针头测试皮肤下方的体液，旨在提供一种无痛的神经递质追踪方法。这项创新有望促进抑郁症和帕金森病等神经系统疾病的早期筛查，并促进智能居家健康管理。
-
AI智能体现可模拟七种心理障碍
研究人员开发了一种在强化学习智能体中模拟心理障碍的新颖框架，超越了单次运行、手动调整的方法。这种新方法允许对认知评估信号进行剂量可控的操纵，以诱导七种不同的障碍，包括焦虑、躁狂和抑郁，每种障碍都通过特定的检测方法进行测量。在超过一千次实验运行中，诱导的障碍表现出分级、剂量依赖的反应，而对照组未能复制，这表明了一种模拟AI情感表型的鲁棒且可控的方法。
-
AI模型在奖励评估回路受扰时表现出类似人类的快感缺失
研究人员开发了一个新的框架来评估视觉语言模型中的奖励评估，并将其与人类的快感缺失和动机缺陷进行比较。通过调整用于重度抑郁症的临床测试，他们识别并扰乱了这些AI模型中的奖励预期单元。研究发现，破坏这些单元会导致模型偏好低努力、低回报的选择，模仿快感缺失的症状，而不会损害其一般任务能力。这项工作揭示了AI中功能性的奖励评估回路，与人类观察到的回路非常相似。
-
城市环境加剧了积极出行对心理健康益处方面的不平等
一项利用因果机器学习对超过26万英国成年人进行的新研究表明，从步行和骑行等积极出行中获得的心理健康益处存在显著的不平等。这些差异不仅是个体化的，而且受到城市环境的强烈影响，在支持性较差的社区中，益处会随着时间的推移而减弱。研究表明，绿色、安全、污染较少的地区能带来最大的心理健康优势，而遗传因素在这些影响中的作用很小。研究结果表明，如果未考虑环境和个体差异，广泛推广积极出行可能会无意中加剧健康不平等。
-
新的机器学习方法利用昼夜节律进行抑郁症筛查
研究人员开发了一种新的机器学习方法，用于抑郁症筛查和干预，重点关注昼夜节律模式。他们引入了昼夜节律评分（CRS）来统一表示多领域日常行为，该评分被证明对抑郁症筛查有效。该框架利用梯度提升树和SHAP分析，揭示了昼夜节律与抑郁症风险之间存在非线性关联。在中国健康与养老追踪调查数据集上的实验显示，该方法具有稳健的筛查性能，ROC-AUC为0.825，并确定了运动和午睡的可操作阈值。
-
新的RSPC基准评估LLM在心理健康和关系动态方面的能力
研究人员开发了一个新的基准——关系压力与精神病语料库（RSPC），用于对数字中介关系中的压力和精神疾病进行建模。该语料库包含1,799个已注释的Reddit帖子，用于评估七个Transformer模型和五个大型语言模型在疾病分类和关系触发因素检测等任务上的表现。Claude 3 Haiku在疾病分类方面表现优异，而GPT-4o在识别关系触发因素方面表现出色，凸显了不同模型的独特能力。
-
Expresso-AI 提供可解释的视频AI用于抑郁症诊断
研究人员开发了Expresso-AI，一个用于解释基于面部视频训练的深度学习模型在抑郁症诊断中决策的新框架。该系统通过检查面部区域和时间表情语义，对深度卷积神经网络（DCNN）进行微调，并生成模型推理的可视化和量化解释。Expresso-AI框架不仅提高了AI在心理健康诊断中的可解释性，而且在预测性能上优于之前的基准。
-
研究发现：大型语言模型安全防护不足以应对心理健康问题
一篇新近发表在arXiv上的研究评估了大型语言模型（LLMs）在心理健康领域的安全性，结果显示其针对各种DSM-5疾病的防护措施存在显著不足。研究发现，虽然模型在处理自杀和自残问题时表现可靠，但在饮食失调、物质使用障碍和重度抑郁症等疾病方面，其失败率高达100%。研究者们呼吁明确界定伤害类别并制定相应的安全防护措施，以减轻对弱势群体带来的风险，尤其是在这些模型日益融入教育环境的背景下。
-
新AI模型预测女性性工作者心理健康风险
研究人员开发了一种新颖的混合机器学习模型，用于预测女性性工作者的心理健康风险，特别是抑郁症。该模型集成了使用ANOVA和互信息的集成特征选择策略，以及由Harris Hawks优化算法优化的逻辑回归模型。该系统还纳入了可解释AI（XAI）方法，以识别影响心理健康预测的因素。在对3,005名个体的数据集进行测试时，该模型取得了很高的性能指标，包括95.78%的准确率、95.77%的F1分数和0.96的AUC，突出了创伤后应激障碍、客户相…
-
AI疗法聊天机器人在临床试验中显示症状显著减轻
达特茅斯大学的研究人员开发了“Therabot”，这是一款用于心理健康支持的生成式AI聊天机器人，在其首次临床试验中显示出有希望的结果。该研究涉及210名重度抑郁症患者，他们在与该机器人互动4-8周后，抑郁症状显著减轻。虽然Therabot无意取代人类治疗师，但它在减轻抑郁、焦虑和身体意象担忧方面表现出有效性，并包含标记自杀念头和提供危机热线信息的功
-
AI模型通过语音模式诊断抑郁症
一个新的深度学习框架通过分析语音模式，在诊断重度抑郁症方面表现出高准确率。这种由AI驱动的方法利用语音生物标志物和一种自监督学习方法，据报道其表现优于传统的诊断技术。