编辑推荐：
这篇系统综述聚焦人工智能（AI）在心理健康领域的应用。研究发现，AI 在早期检测、个性化干预等方面表现出色，如聊天机器人和预测模型能提升患者参与度。但也面临数据隐私、算法透明度等挑战。未来应改进方法，确保 AI 在该领域合理应用。
### 一、引言
在心理健康护理领域，人工智能（AI）的融入掀起了一场变革浪潮，极大地改变了精神疾病的诊断、治疗和管理方式。近年来，众多研究纷纷聚焦 AI 在心理健康领域的应用，大量证据表明 AI 能够显著提升精神健康状况的早期检测和诊断水平，为及时、恰当的干预措施提供有力支持。
AI 在心理健康护理中的应用，不仅在早期检测和诊断环节发挥关键作用，还能实现个性化治疗，有效提高患者参与度。通过对患者数据的深入分析，AI 可以为患者量身定制干预方案，其中聊天机器人等工具的应用，为那些难以获取传统心理健康服务的人群提供了便捷的支持途径。然而，AI 的广泛应用也带来了一系列挑战，如数据隐私保护、算法透明度等伦理问题，以及建立有效实施框架的迫切需求。这些问题亟待解决，以确保 AI 能负责任地融入心理健康系统。
此前已有不少学者对 AI 在心理健康护理中的应用展开研究。Gaffney 等人探讨了对话代理（如聊天机器人）在为有心理健康问题的个体提供即时支持和干预方面的重要作用，研究表明这些对话代理可以显著提高心理健康资源的可及性，实现个性化的治疗互动，并促进与用户的持续沟通。Olawade 等人强调了 AI 技术在心理健康服务中日益深入的融合趋势，认为其为诊断、治疗和患者参与提供了创新解决方案，同时也指出了伦理考量和稳健实施策略对于有效整合 AI 应用于临床实践的重要性。
尽管 AI 在心理健康领域展现出巨大的潜力，但在实际应用中仍面临诸多挑战。例如，数据隐私和 AI 算法透明度等伦理问题引发了广泛关注，Tavory 指出需要建立完善的伦理框架来指导 AI 技术在心理健康领域的开发和部署，确保患者安全并充分尊重患者的知情同意权。Tornero-Costa 等人则对 AI 在心理健康研究中的方法学和质量缺陷进行了批判性评估，发现研究设计不完善、样本量不足以及报告方法缺乏透明度等问题，严重影响了 AI 应用的可靠性和有效性。鉴于这些问题，有必要进行新的系统综述，全面梳理 AI 在心理健康领域的应用，深入探讨其优势与挑战，为后续研究和实践提供有力参考。
二、方法
- 文献回顾：本系统综述采用全面的文献检索策略，对多个数据库进行了深入搜索，旨在收集关于 AI 在心理健康领域应用的广泛研究。检索范围涵盖了波斯数据库（如 IranDoc 和 ISC）以及国际数据库（如 ProQuest、PubMed、Scopus、Web of Science、Cochrane、Wiley 和美国精神病学协会的 APA 数据库）。在初始检索阶段，以 “人工智能” 和 “心理健康” 为关键词构建检索式，不同数据库检索结果差异较大，国际数据库检索到的记录数量相对较多。例如，ProQuest 检索到 944 条记录，PubMed 为 829 条，Scopus 为 353 条，而部分波斯数据库如 IranDoc 和 ISC 未检索到相关记录，仅 SID 贡献了 4 条记录。综合所有数据库，共检索到 2638 条初始记录。
- 选择标准和检索策略：为确保研究的全面性和准确性，本综述遵循多阶段选择流程。首先，从多个数据库检索到 2638 条记录后，通过去重操作，排除了 1167 条重复记录，得到 1471 条独特记录。随后，在标题筛选阶段，依据标题相关性对这些记录进行评估，排除了 1102 条不符合要求的记录，仅保留 369 条与研究问题高度相关的记录进入后续阶段。接着，对这 369 条记录的摘要进行筛选，排除了 289 条相关性不足或未聚焦 AI 在心理健康领域应用的记录，剩余 80 条记录。在全文审查阶段，由于部分记录存在全文不可获取、方法学不严谨或未满足综述特定目标等问题，进一步排除 42 条记录，最终确定 15 篇文章纳入研究。在纳入研究后，对这 15 篇文章进行了全面的偏倚风险评估，并完成数据提取，确保研究结果的可靠性和有效性。
- 质量评估方法：对 15 项研究的分析发现，在 AI 应用于心理健康干预的研究中，使用了多种质量评估工具。其中，混合方法评估工具（Mixed Methods Appraisal Tool，MMAT）在 4 项研究中得到应用，该工具在评估混合方法研究方面具有独特优势，有助于深入理解复杂的心理健康动态。纽卡斯尔 - 渥太华量表（Newcastle–Ottawa Scale，NOS）常用于观察性研究，在多项研究中被采用，其在评估非随机研究质量方面表现可靠。乔安娜布里格斯研究所（Joanna Briggs Institute，JBI）工具则主要应用于实验性和准实验性研究，有助于全面了解 AI 干预在心理健康领域的有效性。尽管这些成熟工具被广泛应用，但研究质量仍存在差异。例如，Rohit Rastogi 等人的研究使用了 JBI 工具，但质量评分仅为中等，表明研究设计和实施等因素会影响评估结果。这充分凸显了在 AI 相关心理健康研究中，确保方法学严谨性的重要性。
三、结果
- AI 在心理健康领域的应用：15 项综述研究展示了 AI 在心理健康领域的广泛应用。Inkster 等人推出的 Wysa，是一款 AI 驱动的聊天机器人，旨在通过对话支持促进用户的自我反思和心理韧性，进而改善心理健康状况。Lei 和 Xiao Li 分别探索了先进的 AI 技术，Lei 利用长短期记忆（Long Short-Term Memory，LSTM）模型进行情感识别，Xiao Li 则运用深度学习中的卷积神经网络（Convolutional Neural Network，CNN）分析社交媒体文本数据，以评估心理健康状态。G?tzl 等人总结了 AI 作为学习系统在处理大量信息方面的广泛用途，如在 YouTube 和 Spotify 等平台的应用，展示了 AI 在不同交互媒体中的多功能性。这些研究共同揭示了 AI 在心理健康领域应用的多样性，涵盖情感识别、聊天机器人支持、大规模预测模型等多个方面，充分体现了 AI 在推动个性化、可及性心理健康解决方案发展中的重要作用。
- AI 在心理健康领域使用的工具和算法：不同研究采用了多样化的方法、参与者群体和 AI 技术。Inkster 等人采用混合方法评估 Wysa 应用程序，研究对象为全球范围内自我报告有抑郁症状的用户，结果显示频繁使用该应用的用户抑郁症状有显著改善，67.7% 的参与者认为该应用有帮助，证明了基于文本的对话式 AI 在心理健康支持方面的潜力。Xiao Li 运用 LSTM 网络对老年人抑郁情况进行定量研究，重点关注情感识别，通过引入 AI 注意力机制，显著提高了情感特征识别的准确性，表明先进的 AI 技术有助于深入理解和解决心理健康问题。
Liang 等人利用 CNN 分析在线论坛文本数据，评估大学生心理健康状况，研究表明 AI 能够有效监测和评估心理健康状态，并根据用户生成内容提供个性化心理支持。Chin 等人对 SimSimi 聊天机器人在不同文化背景下的用户交互进行研究，分析了来自东西方国家的大量对话，揭示了文化差异对抑郁情绪表达的影响，强调了聊天机器人在社会科学研究中的作用以及用户对其的高度接受度。
Dadi 利用机器学习分析英国生物银行（UK Biobank）的多模态数据，展示了如何从多样化的输入（包括脑成像数据）中推导心理健康指标，表明 AI 可以补充传统心理测量评估，增强对大规模人群心理健康决定因素的理解。Rathnayaka 专注于基于行为激活（BA）的 AI 聊天机器人的设计与开发，通过参与式评估收集用户反馈，证实了该聊天机器人在提供情感支持和远程心理健康监测方面的有效性，凸显了用户体验在 AI 心理健康应用中的重要性。
Pei 运用神经网络算法预测和评估大学生心理健康状况，成功识别出显著的心理压力源，体现了 AI 通过预测分析识别心理健康风险和定制干预措施的能力。Tate 创建了一个机器学习模型来预测青少年心理健康问题，虽然该模型暂不适合临床应用，但为后续相关研究奠定了基础。Didarul Alam 等人利用结构方程模型（Structural Equation Modeling，SEM）和人工神经网络（Artificial Neural Networks，ANN）研究 COVID - 19 大流行期间移动健康（mHealth）技术的采用情况，发现 mHealth 使用与心理健康之间存在正相关关系，强调了 AI 在危机时期提高用户参与度的作用。
G?tzl 等人探讨了年轻人对 AI 赋能的 mHealth 应用的态度，结果显示他们普遍持积极态度并愿意使用 AI 进行个性化干预，突出了 AI 根据个体需求定制干预措施的潜力，有助于提高心理健康支持的有效性。Onuki 等人研究了利用可穿戴设备基于心率数据估计心理健康状况的可行性，发现用户对这种方式接受度较高，表明 AI 与可穿戴技术的结合能够实现实时健康监测。Alamgir 等人利用混合 AI 模型进行面部表情识别，有效实现了情感分类，凸显了 AI 在增强心理健康领域情感意识和理解方面的潜力。
Yanqi Guo 分析了 AI 技术对家庭教育的影响，发现接受 AI 支持的学生心理健康状况有显著改善，展示了 AI 应用在家庭教育领域的多样性和有效性。Halim 等人测试了个性化虚拟现实（iVR）方法对提高自我同情心和减少抑郁症状的效果，强调了将 AI 集成到 VR 中以实现个性化用户体验和增强治疗效果的潜力。这些研究结果共同表明，AI 在不同人群和研究方法中，均展现出在心理健康干预方面的可接受性和有效性，其多样化的应用有望彻底改变心理健康护理模式。
3. 质量评估结果：对各项研究的质量评估显示，不同研究类型和质量评估工具的使用呈现多样化特点，且各项研究在方法学上各有优劣。Inkster 等人的混合方法研究使用 MMAT 评估，总分为 7 分，被评为 “良好” 质量，表明该研究在定性和定量数据的整合方面表现出色。Xiao Li 和 Chin 等人的研究分别采用定量和混合方法，通过 NOS 评估得分均为 7 分，体现了较高的方法学质量，对与 AI 应用相关的心理健康指标进行了全面评估。
Dadi 的人口建模研究获得 NOS 评分 6 分，质量评级为 “良好”，表明该研究在利用 AI 进行人口建模方面具有一定价值，但方法学上仍有改进空间。Liang 等人的实验研究聚焦 AI 模型性能，经 NOS 评估得分为 5 分，质量评级为 “良好”，反映出研究在方法学上较为严谨，但仍存在优化的可能性。Rathnayaka 的研究采用两阶段预测和分析方法，NOS 评分为 6 分，质量为 “中等”，说明该研究在预测技术的应用上有一定效果，但方法学的一致性可能存在问题。
Pei 和 Tate 分别进行的模型开发和实证研究，使用 SEMANN 方法，在 NOS 评估下均获得 7 分，质量评级为 “良好”。Didarul Alam 等人的平行混合方法研究，通过 JBI 检查表评估得分为 10 分，质量评级为 “良好”，表明该研究在各阶段的方法学一致性方面表现突出。在随机对照试验中，G?tzl 等人和 Onuki 等人的研究分别获得 9 分和 7 分的 “良好” 评级，显示出在 AI 应用于心理健康研究中的稳健实验控制和严谨评估。Alamgir FM 等人和 Yanqi Guo 等人的实验研究也均获得 “良好” 质量评级，体现了在结构化试验中应用 AI 的一致性。Kumari 等人和 Rohit Rastogi 等人的实验研究，在 JBI 评估下分别获得 8 分和 5 分，质量评级为 “中等”，表明这些研究在获得可靠的 AI 驱动结果方面具有一定潜力，但仍需进一步完善方法学。总体而言，大部分研究在 AI 应用于心理健康研究方面呈现出良好的趋势，但部分研究在方法学严谨性上仍有待提高。
4. 参与者的人口统计学特征：对参与各项研究的人群进行分析发现，其涵盖了广泛的人口统计学特征。Inkster 等人的研究聚焦于 Wysa 应用程序的匿名全球用户，这些用户均自我报告有抑郁症状，为研究 AI 驱动的对话工具在心理健康支持中的作用提供了重要依据。Xiao Li 选取了两个社区的老年人群体，包括对照组（n=46）和干预组（n=47），旨在深入了解老年人抑郁的影响因素并制定相应的心理干预计划，凸显了关注老年人群心理健康的重要性。
Liang 等人以 185 名体育专业的大学生为研究对象，分为训练集和测试集，评估 AI 在大学生心理健康评估和改善方面的效果，强调了心理健康干预在教育环境中的重要性。Chin 等人分析了 SimSimi 聊天机器人在东西方国家的大量用户对话数据，涉及 96197 次东方国家对话和 56586 次西方国家对话，通过跨文化分析揭示了不同人群在 AI 平台上表达抑郁情绪的差异。Dadi 利用英国生物银行的大规模队列数据，包含 11175 名参与者，进行认知测试和人口统计学特征研究，展示了 AI 在人口建模和心理健康研究中的巨大潜力。
Rathnayaka 在全球范围内对 318 名个体进行了一项试点研究，以评估基于 BA 的 AI 聊天机器人的效果，体现了 AI 应用在不同人群中的广泛探索。Pei 的研究聚焦于大学生，但未提供具体人口统计学细节，进一步强调了针对这一年龄段进行有针对性心理健康干预的必要性。Tate 对瑞典 7638 对双胞胎进行研究，从独特的角度探讨了遗传和环境因素对青少年心理健康结果的影响。
Didarul Alam 等人关注孟加拉国在 COVID - 19 大流行期间的 mHealth 用户，研究全球危机对心理健康的影响以及技术在提供支持方面的作用。G?tzl 等人纳入了 12 - 25 岁的年轻人以及 mHealth 应用开发的利益相关者，共同探讨对 AI 赋能的心理健康应用的态度，体现了心理健康解决方案的协作性。Onuki 等人以 97 名日本女性癌症幸存者为研究对象，深入了解这一特定人群的心理健康挑战以及 AI 提供个性化支持的潜力。Alamgir 等人的面部表情识别研究涉及 10 名日本女性参与者，强调了 AI 与情感识别在心理健康领域的交叉应用。
Yanqi Guo 以 320 名日本中学生为研究对象，比较基于 AI 的家庭教育系统对学生心理健康的影响，突出了早期教育干预在心理健康领域的重要性。Halim 等人招募了 36 名大学社区的年轻成年人，评估个性化虚拟现实对自我同情心和抑郁的影响，展示了创新心理健康干预方法的探索。Kumari 和 Bhatia 未明确参与者人口统计学特征，主要关注深度学习在情感识别方面的技术应用。Rastogi 等人的研究涉及 20 名参与者，探索与古代精神健康实践相关的内容，体现了传统与现代方法在心理健康研究中的融合。这些多样化的参与者群体充分反映了心理健康研究的多面性，以及 AI 满足不同人群心理健康需求的潜力，同时也强调了根据特定人群定制 AI 应用以提高其在心理健康干预中有效性和可接受性的重要性。
5. AI 在心理健康领域的可接受性：在不同心理健康和医疗保健背景下，AI 的可接受性呈现出普遍积极的趋势。Inkster 等人的研究表明，旨在支持抑郁症患者的 Wysa 应用程序具有较高的用户参与度和有效性，这表明 AI 在自我报告有抑郁症状的用户群体中具有较高的可接受性。在学生群体中，AI 工具被证明在解决心理健康挑战方面具有显著优势，尤其是在体育教育环境中。例如，先进的基于注意力机制的 LSTM 模型在提高情感识别准确性方面表现出色，而情感识别是心理健康干预的关键组成部分。
在高等教育领域，AI 驱动的大学生心理健康计划已被证实具有可行性，并取得了良好的效果，充分体现了其在学术环境中的实用性。AI 应用的全球普及程度令人瞩目，一些平台拥有跨越 111 种语言的数百万用户，这表明 AI 在全球范围内具有较高的可接受性和用户参与度。像英国生物银行（UKBB）这样的开放数据库，拥有丰富的健康数据，为 AI 在更广泛的健康相关应用中的整合提供了广阔的空间。Rathnayaka 强调，用户自愿输入的心理健康调查数据等用户驱动的数据，与 AI 的非侵入式监测应用高度契合。
在针对年轻人的应用中，Tate 指出 AI 驱动的心理健康干预必须关注伦理问题，如不平等和人口偏差。Guo 等人也提出，可穿戴设备为实时监测压力和焦虑水平提供了一种被广泛接受且实用的方法。这些研究结果共同表明，AI 在不同环境、人群和应用中，均展现出较高的可接受性和潜在的有效性，为心理健康干预带来了新的机遇。
6. AI 在心理健康领域的应用范围：研究表明，AI 在心理健康和医疗保健的各个领域都有广泛的应用，每项研究都从独特的角度探索了 AI 的功能及其对患者结果的影响。Lei 等人的研究进一步凸显了 AI 在教育环境中的有效性，通过 AI 干预，学生的焦虑和抑郁症状得到了显著缓解。Xiao Li 通过 AI 注意力机制优化 LSTM 输出，极大地提高了情感识别的准确性，这对于实现个性化心理健康护理具有重要意义。
除了个体评估，AI 在人群层面的心理健康监测中也发挥着重要作用。Liang 利用 AI 进行精神病评估、依从性跟踪和认知行为疗法（Cognitive Behavioral Therapy，CBT）的实施，展示了 AI 在大规模心理健康监测中的应用潜力。AI 的应用不仅局限于治疗和评估，在预防干预和公共卫生领域也日益重要。Pei 运用 AI 分析可穿戴设备收集的生理和数字信号，以检测压力和焦虑，显著增强了实时监测和干预能力。
在医疗保健系统中，AI 有助于提高患者参与度和临床决策的准确性。Guo 等人利用 AI 分析可穿戴设备数据进行压力检测，G?tzl 等人将 AI 整合到临床文档和患者交互系统中，提高了临床医生的工作效率和患者满意度。此外，AI 在个性化 mHealth 应用中的应用能够根据用户的需求和偏好进行定制，显著提高<
