综述：多模态大语言模型在女性生殖心理健康中的应用

《Archives of Women's Mental Health》：Multimodal large language models for women’s reproductive mental health

本综述系统探讨了多模态大语言模型（MLLMs）在女性生殖心理健康这一新兴领域（生殖精神病学，reproductive psychiatry）的应用前景。文章指出，女性在月经、妊娠、产后、绝经等生殖过渡期面临独特的心理健康挑战，而传统人工智能方法存在数据单一、整合不足的局限。MLLMs能够整合文本、图像、音频、生理信号等多模态数据，有望实现跨生命阶段的精准风险分层、症状轨迹建模及个性化干预，从而推动更个性化、精准的诊疗模式。同时，文章也强调了解决数据偏见、隐私保护及建立标准化多模态数据库等挑战的重要性。

　　

多模态大语言模型：女性生殖心理健康研究的新前沿

女性在一生中经历的生殖过渡期，如月经周期、妊娠、产后、绝经等，伴随着显著的激素波动，使其面临更高的心理健康风险。生殖精神病学作为一个相对新兴的亚专科，专注于在这些关键阶段预防和治疗相关精神障碍。然而，传统的评估工具和人工智能方法往往难以整合来自电子健康档案、遗传学、激素水平、影像学、患者报告结局和可穿戴设备等多维度数据，限制了我们对这些复杂状况的深入理解。

多模态大语言模型（MLLMs）作为先进的人工智能系统，能够同时处理和整合文本、图像、音频、视频等多种模态的信息，为解决这一难题带来了曙光。

经前期情绪综合征

经前期综合征（PMS）影响全球约48%的育龄女性，而其更严重的形式——经前期烦躁障碍（PMDD）的患病率约为8%。PMDD以严重的焦虑、抑郁、易怒甚至自杀念头为特征，但其诊断仍主要依赖患者回顾性记录的情绪日志，易导致误诊。MLLMs的潜力在于整合激素轨迹、电子健康档案、结构性磁共振成像（sMRI）、可穿戴设备信号、语音语调及遗传信息等多模态数据，从而更早地识别情绪恶化模式，评估选择性5-羟色胺再摄取抑制剂（SSRIs）的疗效，并分析其与抑郁、焦虑等精神共病的关联。

妊娠期

妊娠期间，激素波动与母亲抑郁、焦虑、进食障碍和创伤后应激障碍（PTSD）等精神健康状况密切相关。例如，有进食障碍病史的女性在孕期复发率高达67%。MLLMs可通过整合临床记录、可穿戴设备生理信号、患者报告结局和社会心理筛查数据，在生物-心理-社会框架下提供更个性化的见解。例如，模型可以识别出因药物变更出现抑郁症状的孕妇，并综合药物基因组学数据和临床记录，推荐药物调整或转介社会服务。

流产与反复妊娠丢失

近20%的已知妊娠以流产告终，2-3%的女性经历反复妊娠丢失（RPL）。这些经历常伴随深刻的悲伤、焦虑和抑郁。现有人工智能模型难以捕捉其情感复杂性。MLLMs则可通过分析激素谱（如皮质醇、雌二醇）、电子健康档案、可穿戴传感器数据（如心率变异性）以及自由文本的患者叙述，识别出发生急性或长期精神症状的高风险个体，并驱动具有情感智能的数字健康工具提供实时、富有同理心的心理支持。

产后时期

约85%的女性在产后会经历某种形式的情绪波动，其中10-20%会发展为产后抑郁（PPD），产后焦虑障碍的患病率同样高达10-20%。传统机器学习模型常受限于短暂的观察窗口和母婴记录分离的数据碎片化问题。MLLMs支持连续、多模态、纵向的评估，能够整合视频咨询中的面部表情和语音语调、可穿戴设备的生理压力信号，甚至将母亲心理健康与婴儿相关变量（如喂养、睡眠模式）联系起来，实现更全面的风险理解，并支持实时、自适应的心理健康支持系统。

绝经期

约20-30%的女性在绝经期经历抑郁症状，31-44%出现健忘，约30%因血管舒缩症状（潮热、盗汗）出现睡眠障碍。MLLMs可分析复杂的遗传和转录组学数据集，识别与绝经相关睡眠障碍有关的分子通路。结合来自智能音箱的纵向音频数据、可穿戴生物传感器（追踪皮肤电导、温度变化以监测潮热）以及激素谱和情绪追踪，MLLMs能够对多模态信号进行情境化加权，实现更精确的实时监测和个性化干预，例如生成适应性的个体化营养计划。

不孕症

不孕症及其治疗（如体外受精IVF）会给女性带来显著的心理困扰。传统人工智能模型多聚焦于预测胚胎质量等临床结局，而忽略了患者动态演变的情绪状态。MLLMs可整合患者报告结局、激素水平、语音语调、面部表情和睡眠模式等多维度数据，在不同治疗周期阶段连续监测情绪和生理反应。例如，在卵巢刺激期间出现的焦虑或睡眠紊乱激增，可触发早期个性化干预，如认知行为疗法（CBT）模块或正念减压（MBSR）练习，从而改善治疗依从性和结局。

妇科疾病与心理健康

多囊卵巢综合征（PCOS） 影响5-18%的育龄女性，其中64%和39%的患者分别报告有抑郁和焦虑症状。现有AI模型多专注于生理诊断，忽视了情绪不稳定、体像困扰等心理成分。MLLMs可整合激素谱、生物信号、神经认知评估和患者报告的情绪数据，识别精神共病的生物标志物和心理社会风险因素，并进行纵向建模以监测症状波动和治疗反应。

子宫内膜异位症 作为一种慢性疼痛性疾病，全球约7-15%的育龄女性受累，患者出现焦虑、抑郁、双相情感障碍的风险显著增加。MLLMs通过整合疼痛评分、炎症生物标志物、神经影像学和患者报告结局，可以揭示慢性盆腔痛与心理症状之间的细微关联，追踪其随周期、治疗阶段和外部压力的轨迹，从而实现早期风险检测和个性化干预规划。

挑战与展望

尽管MLLMs前景广阔，但其在女性生殖精神病学中的应用仍面临独特挑战。首先，获取高质量、一致的纵向数据至关重要但困难重重，涉及医疗系统壁垒、数据所有权和互操作性等问题。其次，训练数据中存在历史性偏见，例如对特定人群的代表性不足，可能被MLLMs放大。第三，生殖心理健康定义（如产后抑郁）在不同学科和文化中存在不一致，给数据整合和模型训练带来噪音。第四，缺乏专门的多模态数据集阻碍了模型开发。最后，涉及妊娠、流产等高度敏感数据的隐私问题尤为突出，尤其是在某些法律环境下，需要采用联邦学习等隐私保护技术，并建立透明、动态的同意框架。

总之，MLLMs通过整合多维度数据，有望在女性生殖心理健康的各个阶段实现更精准的风险预测、诊断和个性化管理，推动生殖精神病学向更个性化、全面和精准的方向发展。克服数据、偏见和隐私等方面的挑战，将是实现其全部潜力的关键。