这篇综述梳理了 AI 在精神医学中的应用前景与落地难题：从脑影像辅助分型到数字表型连续监测，技术能力在增长，但隐私、偏见与教育准备仍是关键瓶颈。
去看精神科，最常见的流程是什么？医生问你一系列问题，你填一些量表，医生根据经验和标准给出诊断。用药呢？往往先试一种，不行再换——这就是所谓的"试错"路径。
AI 能不能帮上忙？这篇综述回顾了过去 20 年的研究，发现 AI 确实能在三个方面提供价值：
整合脑影像、基因、量表数据，找出传统分类看不到的"亚型"。
手机和穿戴设备持续采集行为数据，把"门诊快照"变成"生活影片"。
隐私保护、算法偏见、医学教育——技术不到位，AI 就无法安全落地。
WHO 预测：到 2030 年，精神疾病可能成为全球疾病负担的主要来源之一。跨国研究也提示：约半数人在 75 岁前可能经历至少一种可诊断精神障碍。
但诊疗体系被两个"老问题"卡住：
这就是为什么研究者把目光转向了 AI——它擅长从高维、多模态数据中发现人眼看不到的模式。
传统分类像按"外观"分箱。多模态机器学习可以整合脑影像、遗传、心理测评等数据，提出更细粒度的分类方案。初步研究表明，多模态模型在区分患者和健康人方面优于单模态。
例如，有研究整合静息态 fMRI 和 EEG 数据预测抗抑郁药疗效，模型 R² 约 0.2-0.3——虽然不算高，但相比"盲试"已经提供了有价值的参考信号。
手机和可穿戴设备可以持续采集：运动量、GPS 移动模式、通话频率、打字速度、甚至语音特征。这些"数字足迹"可能反映心理状态的变化趋势。
但综述特别强调边界：这些信号是"趋势线"，帮助发现变化和触发评估，不是替代医生的诊断工具。早期研究还未评估临床疗效，隐私和标准化也是难题。
综述梳理了三大落地障碍：
监管方面，综述对比了 WHO 伦理六原则、欧盟 AI 法案（精神健康 AI 归为"高风险"）和 FDA 生命周期监管思路。教育方面，多数医学院尚未系统纳入 AI 课程。
不能。目前 AI 主要作为辅助工具，帮助医生发现模式和趋势。没有任何 AI 系统被批准替代精神科医生的诊断。
部分 APP 可以采集行为数据作为参考，但综述强调这些是"趋势信号"，不是诊断工具。需要专业评估才能下结论。
如果训练数据不均衡，确实可能产生偏见。综述强调需要在多元人群中验证，并建立公平性审计机制。
这是综述重点讨论的问题。建议包括：严格去标识化、加密存储、禁止用于商业营销或保险风控。欧盟 AI 法案将此类应用列为"高风险"。
综述建议分层培养：工具使用者、临床翻译者、开发者三个层级。核心是培养"会用也会质疑"的 AI 素养。
Digital Phenotyping
利用手机、穿戴设备持续采集行为和生理数据，量化个体的日常状态。像给健康装了一个"行车记录仪"。
Multi-modal Learning
同时分析影像、基因、量表等多种数据类型。就像看病时既验血又拍片——综合判断更准确。
Explainable AI (XAI)
让 AI 的决策过程能被人类理解。在高风险的医疗场景中，"知道为什么"和"答案是什么"一样重要。
Narrative Review
系统检索文献后按主题综合讨论，但不做统计合并（meta-analysis）。适合研究异质性大的领域。