Nat Comput Sci | 从计算视角重新审视精神疾病
李升伟 编译
2025年10月10日，恰逢世界精神卫生日之际，《自然 - 计算科学》（Nature Computational Science）推出一期专题报道，聚焦计算精神病学领域及其核心挑战 —— 从隐私问题到人工智能的伦理应用，并为精神卫生保健的未来发展提供新洞见。下面是关于这个专题的述评[1]。
精神疾病已成为日益严峻的全球性危机。2023 年一项覆盖多个国家的大规模研究（J. J. McGrath 等，《柳叶刀 - 精神病学》2023 年第 10 卷668-681 页）显示，全球每两个人中就有一人在一生中可能患上某种精神疾病。遗憾的是，尽管心理学、神经科学和遗传学领域已开展数十年研究，但精神疾病的潜在发病机制仍在很大程度上不明晰。部分原因在于疾病受遗传、环境与发育因素的复杂相互作用影响，且不同个体的症状存在显著异质性。尽管脑成像、基因组学和行为评估技术的进步已产生海量数据集，有望助力我们深入理解重大精神疾病的神经生物学与遗传学基础，但将这些来源各异的信息整合为连贯模型，仍是一项艰巨的任务。
计算精神病学(computational psychiatry)虽仍处于起步阶段，但为精神卫生领域提供了一条颇具前景的路径。该领域借助计算模型、机器学习和数据驱动的洞见，探索认知理论，并搭建神经机制与临床症状之间的桥梁。目前，这些模型或许尚未成熟到可应用于临床场景，但研究人员与从业者可借助它们获取新洞见，为传统精神病学提供支持。然而毋庸置疑的是，这些发展背后存在诸多挑战，研究界必须切实理解并应对这些问题。
在今年的世界精神卫生日之际，我们推出这期计算精神病学专辑，重点展现精神病学与计算科学的融合趋势，并探讨这种融合所带来的各类挑战。
随着计算精神病学试图从理论建模向临床应用转型，前路仍有多项障碍亟待突破。在一篇评论文章中[2]，昆廷・休斯（Quentin Huys）与迈克尔・布朗宁（Michael Browning）探讨了该领域的起源，并指出其正通过利用临床试验数据与研究结果，向因果性研究方法迈进。作者还强调了该领域面临的主要障碍，例如过时的疗效评估指标、测量可靠性问题，以及临床医生与研究人员之间的隔阂，并呼吁通过协作将计算领域的洞见转化为实际临床价值。
由于精神卫生研究越来越多地依赖敏感个人数据，保护患者隐私已成为该领域的另一关键关注点。在一篇观点文章中[3]，伊琳娜・古列维奇（Iryna Gurevych）及其团队探讨了研究人员如何构建 “隐私感知型” 精神卫生模型 —— 从采用匿名化解决方案到运用隐私保护技术，最终目标是开发安全、有效的临床支持工具。
人工智能（AI）与精神卫生保健的融合日益加深，这既带来了可观的机遇，也引发了严峻的伦理挑战。从诊断工具到治疗支持系统，人工智能系统（尤其是大型语言模型，LLMs）正被逐步探索用于扩大精神卫生资源的可及性，并改善治疗效果。然而，其应用也引发了一系列关键关注，涉及不同人群中的偏见、隐私、公平性与有效性问题。妮可・马丁内斯 - 马丁（Nicole Martinez-Martin）在一篇评论文章中[4]探讨了这些挑战，并警示设计不当的人工智能可能加剧医疗服务中的不平等。马丁内斯 - 马丁呼吁采用包容性设计、优化数据实践、推动利益相关者参与，并建立强有力的伦理监督机制，以确保精神卫生领域的人工智能安全、公平且惠及所有人。在另一篇观点文章中[5]，李怡洁（Yi-Chieh Lee，音译）及其团队研究了大型语言模型在心理治疗中的潜力：他们明确了该领域中大型语言模型的独特作用，分析了相关的计算与伦理挑战，并呼吁以负责任的方式开发和应用精神卫生领域的大型语言模型。
在提供精准精神卫生保健方面，计算方法也在重塑精神病学领域。在一篇视角文章中[6]，一组作者探讨了该背景下的一系列策略：从利用基于脑科学的模型更好地捕捉个体神经生物学差异，到开发以临床为基础、具有可解释性且符合实际临床实践的计算工具。尽管目前仍存在一些挑战（包括现有疗效评估指标的局限性，以及对模型进行严格验证的需求），但作者提出了多种更精准反映精神卫生复杂性的方法，例如计算表型分析和神经多样性知情框架。
世界精神卫生日提醒我们，需正视这一 “沉默的流行病” 日益增长的支持需求，同时重视探索精神疾病机制与治疗方案的研究所具有的变革潜力。随着计算科学不断为大脑与心智建模开辟新路径，我们期望这期专题能为推动以共情与严谨为核心的深入对话贡献力量。
参考文献
1. Rethinking mental illness through a computational lens. Nat Comput Sci 5, 837–838 (2025). https://doi.org/10.1038/s43588-025-00894-7
2. Huys, Q.J.M., Browning, M. Trials for computational psychiatry. Nat Comput Sci 5, 841–843 (2025). https://doi.org/10.1038/s43588-025-00879-6
3. Mandal, A., Chakraborty, T. & Gurevych, I. Towards privacy-aware mental health AI models. Nat Comput Sci 5, 863–874 (2025). https://doi.org/10.1038/s43588-025-00875-w
4. Martinez-Martin, N. Developing mental health AI tools that improve care across different groups and contexts. Nat Comput Sci 5, 839–840 (2025). https://doi.org/10.1038/s43588-025-00882-x
5. Zhang, R., Meng, H., Neubronner, M. et al. Computational and ethical considerations for using large language models in psychotherapy. Nat Comput Sci 5, 854–862 (2025). https://doi.org/10.1038/s43588-025-00874-x
6. Akiki, T.J., Williams, L.M., Wolfers, T. et al. Transforming psychiatry with computational and brain-based methods. Nat Comput Sci 5, 844–847 (2025). https://doi.org/10.1038/s43588-025-00884-9
原文链接：
https://doi.org/10.1038/s43588-025-00894-7
转载本文请联系原作者获取授权，同时请注明本文来自李升伟科学网博客。
链接地址：https://wap.sciencenet.cn/blog-2636671-1522016.html?mobile=1
收藏
