Med Research | 小数据机器学习驱动心理健康革命：构建个性化数字表型的精准精神病学

点击此处获取完整论文原文

期刊：Med Research

第一作者：王彭、刘虹均

合作作者：石一鸣、刘澳、朱清钰、Irina Albu、Maja Pacholec

通讯作者：王彭、程璐璐、孙煦、迟新丽

主要单位：阿姆斯特丹自由大学语言、文学与传播系，鹿特丹伊拉斯姆斯大学心理学、教育与儿童研究系，纽约大学数据科学中心，湖南中医药大学 / 湖南省中西医结合心脑血管病防治重点实验室，宁波诺丁汉大学理学院，阿姆斯特丹自由大学计算机科学系，中国石油大学（华东）外国语学院（中国青岛），宁波诺丁汉卓越灯塔计划创新研究院，深圳大学心理学院，深圳大学心理健康研究中心（中国深圳）

亮点

1.创新性技术应用：提出利用小数据机器学习方法（如TabPFN、高斯过程、卡尔曼滤波、元学习等）在稀疏、不规则且含噪的数据场景下实现个体化心理健康预测，突破了传统群体水平模型的局限性。强调通过数字表型分析技术（如智能手机交互、可穿戴设备数据）捕捉高时间分辨率的动态行为与生理信号，为心理健康监测提供了新范式。

2. 临床需求导向：聚焦四大核心临床需求——实时适应性、不确定性量化、特征级可解释性以及对个体差异的兼容性，确保模型输出具有临床可操作性。提出即时适应性干预（JITAIs）的闭环系统设计，将预测结果直接转化为动态干预策略，推动精神病学从被动治疗转向主动预防。

3. 跨学科融合：整合机器学习、移动感知技术与临床精神病学，通过跨学科合作解决心理健康领域的复杂问题。强调模型透明度和可解释性（如SHAP、贝叶斯方法）对临床医生采纳的重要性，平衡算法性能与医疗信任。

4. 前瞻性与挑战分析：系统梳理技术优势与局限（如数据稀缺、噪声处理、模型泛化），并指出未来研究方向（如前瞻性临床验证、边缘设备优化）。展望通过小数据机器学习推动精准精神病学的范式转变，从实验阶段迈向规模化临床实践。

摘要

作者阐述了个性化心理健康监测中的精准预测所涉及的核心要素。在数据层面，主要面临四大挑战：患者个体的历史记录通常较少（小样本问题），数据采集时间间隔不规律（不规则采样），主观报告和传感器数据可能存在误差或缺失（高噪声与缺失），以及不同患者之间的行为模式和生理反应差异显著（个体间差异）。针对这些问题，建模时需要重点关注时间动态特征的捕捉（时间感知推理）和针对个体的定制化分析（个性化模型）。最终的临床目标包括：实时预测心理健康风险变化（动态风险预测），在风险出现时自动触发干预措施（即时干预），为医生提供透明可靠的决策依据（可信决策支持），以及长期跟踪患者的康复进程（长期追踪）。整体来看，这一框架旨在通过先进的数据分析和建模技术，将传统的被动式精神疾病治疗转变为基于精准预测的主动预防模式，从而提升心理健康干预的及时性和有效性。

背景与挑战

心理健康监测的复杂性：心理健康具有高度复杂性，其本质是行为、生理与认知系统间的动态非线性交互。这种交互呈现级联反馈特征，如睡眠紊乱可触发情绪波动，进而影响决策并恶化昼夜节律。传统临床评估依赖静态的症状清单和回顾性访谈，虽具基础价值，却难以捕捉心理状态的实时动态变化。尤其对短暂性、情境依赖的早期预警信号，现有"金标准"的主观性和滞后性更显局限。实现精准评估需转向密集纵向监测，通过细粒度数据采集揭示传统方法遗漏的微妙变化。

数字表型分析的潜力：数字表型分析通过智能手机、可穿戴设备等多源数据，实现了精神病理特征的动态监测。基于动力系统理论，该方法能捕捉生理-行为-认知的交互关系，突破传统静态评估局限。例如，生态瞬时评估（EMA）已证明群体层面抑郁筛查的有效性，而多模态分析更能识别跨诊断特征。然而，群体模型难以区分个体差异（如社交回避可能反映抑郁或正常变异），亟需开发针对稀疏、不规则个体数据的计算框架。

小数据场景的挑战：群体分析方法通过海量数据集识别稳定的人群趋势，而个体化预测则需要从稀疏、不规则的数据流（包括自我报告的情绪波动、可穿戴设备采集的生理信号或临床医生标注的行为标记）中重构个性化时序动态特征。这类数据流本质上是碎片化的，常存在观测缺失和传感器噪声，易掩盖具有临床意义的特征模式。因此，有效技术框架必须平衡以下矛盾需求：既要敏锐捕捉异质性个体的细微时序变化（例如通过击键动力学识别躁狂前驱症状），又要对移动监测中常见的非均匀采样频率和多变量噪声保持足够的鲁棒性。

小数据机器学习方法

表1. 个体时间序列预测方法对比：突出各方法的核心优势、局限性与最佳应用场景

• • TabPFN（表格先验数据拟合网络）：TabPFN是一种基于Transformer架构的小样本学习模型，通过1亿个合成数据预训练实现多模态心理健康数据的泛化预测。其改进版TabPFN-TS引入时间特征编码，在双相障碍预测中表现出色（如识别打字速度与睡眠紊乱的关联），并能提供概率化风险预测（如"72%±8%复发风险"）。虽然模型具备SHAP可解释性和边缘设备部署潜力，但仍存在时间编码依赖、0.2秒推理延迟等局限，且需进一步临床验证。未来需优化时序建模能力并扩展多模态整合应用。
• • 贝叶斯方法（高斯过程、卡尔曼滤波）：贝叶斯方法为心理健康预测提供了可解释性强且能量化不确定性的框架。高斯过程（GPs）通过灵活选择核函数（如Matérn核捕捉情绪恢复，周期核表征昼夜节律）在小样本场景表现优异，但计算复杂度高。卡尔曼滤波则适合移动端实时应用，但对非线性特征建模有限。新兴混合模型（如GP-卡尔曼）结合两者优势，既能追踪慢变趋势又能捕捉快速波动，为个性化干预提供量化依据（如"周末睡眠影响权重75%"）。
• • 深度学习方法（LSTM、迁移学习）：LSTM神经网络在心理健康预测中展现出独特优势，能有效建模睡眠紊乱与情绪波动的长程依赖关系。该模型通过分析多模态数据（如心率、步数等）可早期预警抑郁发作。然而在小样本场景（<30条记录）下面临过拟合风险，且持续更新成本高（French，1999。迁移学习虽可缓解数据不足问题，但仍受领域差异和非平稳模式的限制。
• • 元学习（如MAML、Reptile）：元学习方法为小样本心理健康预测提供了创新解决方案。MAML和Reptile通过快速适应策略，仅需少量数据即可实现个性化建模。PEARL能推理潜在变量，在ASD和PTSD监测中表现突出。原型网络通过行为模式匹配实现零样本预测。尽管面临领域偏移和数据隐私挑战，元迁移学习等混合策略通过结合预训练和个性化微调，展现出良好的临床应用前景。

临床需求与技术挑战

核心需求：实时适应性、不确定性量化、特征可解释性、个体差异兼容性。

实施挑战：

• • 模型更新机制：心理健康预测系统的部署需权衡实时与批量更新策略。实时监测通过可穿戴设备数据（AUC≥0.94）实现短期预警，但对数据质量敏感；批量分析更适合长期风险评估（AUC≈0.80）。临床实践中推荐混合策略，根据场景需求灵活选择。
• • 数据质量：数字表型数据面临噪声多、缺失率高和采样不规则等挑战。研究者采用特征聚合和多模态融合进行数据预处理，并开发了具备不确定性量化能力的鲁棒模型。通过整合特征工程、抗噪架构和多模态验证，显著提升了预测系统的临床实用性。
• • 模型透明度：临床实践要求AI模型兼具预测性能与可解释性。研究表明88%医生偏好可解释模型，SHAP等工具虽能提供特征归因，但存在解释不稳定的风险。关键医疗决策（如自杀风险评估）更需本质透明的模型（如贝叶斯网络），在保持精度的同时确保决策可追溯。
• • 伦理问题：小数据机器学习在心理健康应用面临几个伦理挑战：首先是算法公平性——需通过对抗学习和分层校准消除群体偏见；其次是隐私保护——联邦学习和差分隐私需平衡精度与安全性；再者是透明度——需建立动态同意机制和临床问责制，确保模型决策可解释且符合伦理规范。

应用与部署

集成生物传感器平台：研究者提出开发新一代集成化心理健康监测平台，通过可穿戴设备实现多模态数据（语音、生理信号、运动行为等）的持续采集与实时分析。该平台采用TabPFN等轻量级算法，即使在数据稀疏条件下也能实现设备端的个性化风险预测（如抑郁复发预警），为精准精神病学提供一体化解决方案。

图1. 基于小数据机器学习的个性化心理健康时序预测流程。该流程包含：（1）多模态数据采集（如生态瞬时评估、生理信号）；（2）预处理与特征工程；（3）模型选择（如TabPFN、高斯过程、LSTM）；（4）实时预测输出。预测结果通过闭环反馈系统为临床决策支持提供依据，实现主动干预。

即时适应性干预（JITAIs）： 即时适应性干预（JITAIs）以小数据预测为核心，通过传感器或自评数据实时推断用户状态，个性化调整干预时机与内容（如生理唤醒激增时推荐呼吸练习）。该领域尚处早期，仅少数平台整合先进预测模型。未来需深化算法与干预框架（如数字教练）的整合，构建闭环护理系统，使心理健康支持更主动、个体化，契合预防性精神病学愿景。

图2. 人工智能预警与电子健康记录系统整合工作流程

本流程图展示AI生成预警如何融入EHR系统并经临床医生审核后实施及时干预，主要包含四个环节：（1）风险预测；（2）预警生成；（3）EHR系统整合；（4）临床决策执行。

尽管技术前景广阔，小数据预测的临床转化仍面临关键研究缺口，核心挑战在于前瞻性验证的缺乏。当前多数模型仅通过受限数据集开展回顾性评估，且常局限于特定人群，其动态真实环境中的泛化能力与临床实效尚不明确。未来研究需优先开展前瞻性纵向试验，与临床医生及终端用户协同设计，不仅验证预测性能，更需系统考察对患者结局、临床工作流程及医疗决策体系的影响。

总结

总体而言，本文从前沿视角探讨了小数据机器学习方法在个性化心理健康时间序列预测中的可行性，梳理了迄今为止的进展与未来挑战。我们重点阐述了新兴技术——从针对低数据场景设计的基础模型（如TabPFN）到个性化建模策略——如何开始在单患者数据有限的情况下实现精准预测。这些进展标志着心理健康领域正朝着数据高效型AI的方向发生范式转变，有望使传统分析手段难以触达的患者群体也能获得及时、个性化的干预措施。重要的是，本文强调技术革新必须与临床见解携手并进。数据质量、模型可解释性和严格验证等问题不仅是技术细节，更是决定这些工具能否最终惠及患者护理的关键因素。

作者简介

王彭博士（第一、通讯作者）

阿姆斯特丹自由大学科学技术哲学系访问学者，专注于情绪动态、心理健康精准预测与干预（尤其关注神经多样性人群）。其核心研究运用生态瞬时评估(EMA)、心理生理测量和语音情感识别进行多模态追踪，并擅长结合小数据机器学习、时间序列分析、因果推断和网络模型来揭示心理过程的复杂动态机制及开发个性化干预策略。在Educational Psychology Review、Interdisciplinary Medicine、Child and Adolescent Psychiatry and Mental Health等期刊发表17篇论文。 他深度参与爱丁堡大学“学习神经多样性”(LEANS)课程开发项目，担任Interdisciplinary Medicine和Med Research青年编委及Brain-X编辑助理，并任早期语言学习研究协会(ELLRA)荷兰大使。其拥有包括英国爱丁堡大学教育学硕士、牛津大学机器学习访学在内的多元国际教育背景，致力于通过融合先进计算与心理学理论，推动对复杂心理行为的动态理解，服务于精准干预和包容性教育。

程璐璐教授（通讯作者）

中国石油大学（华东）外国语学院学术英语系主任、博士生导师，山东省泰山学者青年专家，山东省文科实验室常务副主任。作为多个省级科研创新团队带头人及国家社科项目通讯评审专家，深耕言语病理学与发展语用学研究领域。近五年主持国家级、省部级重点课题12项，在SSCI/SCI/CSSCI等核心期刊发表论文60余篇，4份研究报告获教育部、中宣部及山东省政府主要领导采纳，出版专著译著5部，并荣获山东省社科优秀成果奖、教学成果奖等。程教授积极服务社会，运营“语爱同行”等科普平台，组织孤独症公益活动30余场惠及2000余家庭，相关项目获山东省志愿服务金奖，有突出的学术影响力与社会贡献。

孙煦教授（通讯作者）

宁波诺丁汉大学产品设计与制造教授，英国工程设计师学会特许技术产品设计师，分别获得荷兰埃因霍芬理工大学工程学博士和英国拉夫堡大学人机交互设计博士学位，并在莱斯特大学和诺丁汉大学完成博士后研究。专注于“以人为本”的设计，开发了多款市场化产品，已授权专利40余项并发表学术论文100余篇，累计被引2200+次，谷歌H指数22。从中国国家自然科学基金、英国艺术与人文研究理事会等机构获得超1000万元科研经费，并与工业界紧密合作，为学生提供国际展示平台。曾指导的学生项目荣获红点奖、iF设计奖等70多项国际奖项。

迟新丽博士（通讯作者）

毕业于香港大学，获得教育心理学博士学位，并在香港理工大学完成应用心理学博士后研究。现任深圳大学心理学院副教授，被选为深圳市高层次人才C类，荣获深圳大学新锐导师称号及优秀本科教师奖。她的研究重点在于儿童青少年心理健康与积极发展领域，专注于心理测评工具的修订与研发、追踪和干预研究。迟博士主持多项国家级和省市级项目，如国家社科项目和教育部项目、广东省自然科学和哲学社会科学项目等，已发表100余篇中英文论文，谷歌学术累计被引3900+次，i-10指数近70。她擅长学术指导，注重培养学生的学术思维和创新能力，已成功指导多名本硕博学生发表论文。

期刊简介

《Med Research》是由 Wiley 与本领域数十位杰出华人科学家共同合作出版的综合性医学期刊， 期刊由香港大学袁硕峰教授和中南大学刘志雄教授担任主编，致力于推动基础科学、转化研究与临床实践的深度融合。

作为 Wiley 出版集团旗下的全新医学综合类期刊，《Med Research》对标国际一流医学期刊如Med、eBioMedicine 和 eClinicalMedicine， 涵盖临床医学与基础医学的各个学科领域。 期刊预计将获得超过20分的影响因子。其核心目标是发表全球医学研究领域前 10% 的高影响力论文，推动医学前沿研究的发展。《Med Research》旨在通过提供高水平的学术平台，传播创新性研究成果、临床观察以及深入的学术讨论，从而提升全球患者的医疗护理质量。期刊将刊登多种类型的文章，包括原创研究、综述、评论和通讯， 涵盖生物医学科学的各个领域，重点关注对人类健康和疾病具有重大影响的研究成果。为鼓励和支持更多高质量研究的发表，在期刊成立的前三年，作者无需支付任何版面费用， 即可发表其研究成果。

期刊信息

• • 🔗 期刊主页： https://onlinelibrary.wiley.com/journal/29984971
• • 🌐 出版社： https://www.wiley.com
• • 📧 邮箱： office@medresearch.org.cn
• • 💬 公众号：Med Research