编辑推荐：
这篇综述聚焦精神分裂症细粒度症状评估，探讨机器学习（ML）在此领域的应用。分析了医学成像、脑电图（EEG）和视听等多模态方法，对比相关数据集，指出研究现状、挑战与未来方向，为该领域研究提供全面参考。
背景和初步概念
精神分裂症是一种严重的精神疾病，虽然其症状在早期文献中就有描述，但直到 19 世纪后期才被确定为一种精神疾病。1908 年，尤根?布洛伊勒首次提出了精神分裂症的定义。多年来，人们对这种疾病的认识不断修订，相关手册和指南也在持续更新。
根据《精神疾病诊断与统计手册》第五版（DSM-V），诊断精神分裂症时，患者在至少一次精神病发作后，需表现出至少两种主要症状类别中的症状。其中，必须有一个症状是幻觉、妄想或言语紊乱，另一个症状可以是阴性症状（如情感迟钝） 。而且，确诊后还有多种次要症状，这些症状的不同组合和强度，使得每个患者的诊断都具有独特性，也影响着治疗方案的选择。
搜索方法
本次综述采用范围综述方法，旨在梳理研究领域的关键概念，而非像系统综述那样从有限的研究中获取证据。搜索策略分为两个阶段。初始阶段是主要搜索，通过关键词在多个数据库中进行全面查询。
机器学习在精神分裂症细粒度症状严重程度评估中的研究综述
众多机器学习（ML）技术被用于精神分裂症症状严重程度的评估，这些方法大致可分为三个主要研究方向：
- 医学成像：主要利用功能磁共振成像（fMRI）数据。通过分析疾病对大脑的病理和解剖学影响，揭示大脑结构或功能的潜在异常，进而评估症状严重程度。
- EEG 信号处理：脑电图（EEG）能够捕捉大脑的电活动信号。研究人员通过处理和分析这些信号，尝试找到与精神分裂症症状相关的特征，以实现对症状严重程度的估计。
- 行为分析：该方向通过分析临床访谈的视听资料，对患者的行为进行研究。这可以是直接观察患者的言语和非言语线索，也可能是间接通过分析这些线索来推断症状严重程度。
这三个研究方向分别从疾病的病理表现和行为表现入手，虽然研究角度不同，但都面临着数据方面的挑战，比如缺乏细粒度注释导致的数据可用性受限，以及面部和声音信息等隐私数据带来的保密约束。同时，不同方向也存在一些相似的技术应用，例如卷积神经网络（CNN）在医学成像和 RGB 图像输入中的使用。
讨论与开放性问题
本次综述纳入的文章，无论输入类型如何，主要可分为三类：一是对精神分裂症亚类别进行分类或识别；二是估计症状严重程度；三是预测治疗结果。在这些研究中，有 9 项旨在对患者进行亚类别分类，10 项专注于估计症状严重程度，2 项探索治疗结果的预测。这表明近年来，研究人员在精神分裂症研究中更倾向于采用细粒度的研究方法，关注疾病的细分特征和症状的量化评估。
不过，目前的研究仍存在诸多挑战和未解决的问题。数据方面，高质量、细粒度注释的数据稀缺，限制了模型的训练和性能提升；模型方面，不同模态数据的融合以及模型的泛化能力仍有待提高；临床应用方面，如何将研究成果更好地转化为临床实用工具，辅助医生进行准确诊断和个性化治疗，也是未来需要攻克的难题。
结论
本综述全面概述了当前应用机器学习技术进行精神分裂症细粒度亚类别识别或症状估计的研究现状。作为一个新兴研究领域，目前的工作主要集中在识别精神分裂症亚类别或直接估计症状强度的相关文献。通过整合这些文献，本综述既突出了当前研究的进展，也明确了未来研究的机遇和方向，为后续在该领域的深入研究提供了重要参考。
