编辑推荐：
这篇综述探讨生成式人工智能（如大语言模型 LLMs）与神经科学、生理学方法在精神科实践中的整合潜力。阐述其在改善沟通、数据分析等方面的作用，也提及面临的挑战，为跨学科利用生成式人工智能推动精神科发展提供思路。
引言
近年来，生成式人工智能尤其是大语言模型（LLMs）发展迅猛，在自然语言处理任务中表现卓越，像深度对话、知识问答、语言翻译等。部分 LLMs 还融入多模态学习，能整合文本、音频、图像和视频生成多样输出。
在精神病学和心理健康领域，生成式人工智能潜力巨大。目前研究多聚焦于心理咨询、临床访谈和情感支持。比如，LLMs 大幅提升医疗聊天机器人对话能力，使其能与寻求心理健康服务或情感支持的用户有效互动，甚至让人误以为它们有真正的情感理解和共情能力。同时，LLMs 还用于模拟精神障碍患者，辅助临床心理学家和心理治疗师的专业培训。有研究显示，LLMs 能解读复杂临床描述并生成详细诊断，辅助精神科诊断。
然而，生成式人工智能与神经科学、生理学方法在精神病学研究和实践中的整合探索较少。而神经科学和生理学方法对精神病学研究意义重大。寻找生物标志物（biomarkers）一直是现代临床精神病学的核心，生物标志物可来自神经科学方法（如观察脑结构和功能的成像技术）和生理学方法（免疫因素、自主神经系统活动、遗传标记等）。临床神经科学家认为，精神疾病与神经回路的异常和功能障碍密切相关，研究精神障碍的神经生理机制对改进诊断标准、提高干预精度至关重要。例如，快感缺乏（抑郁症的核心症状）与多巴胺能奖赏回路尤其是腹侧纹状体活动减弱有关，针对该区域的神经调节技术（如深部脑刺激）能缓解快感缺乏症状，降低抑郁严重程度，有望成为选择性治疗的反应生物标志物。综合分析多模态生物标志物，能应对精神疾病异质性和共病带来的挑战。本文采用前沿综述方法，聚焦该领域新兴讨论，选取高影响力和近期出版物进行综合分析。
生成式人工智能的影响
生成式人工智能在神经精神科研究和实践中，能提升可及性与沟通效果，特别是在翻译、转录和适应性解释方面。在多语言环境下，实时翻译和转录作用显著。在临床和研究场景中，基于 LLMs 的翻译工具可打破临床医生、研究人员和患者间的语言障碍，促进更具包容性的心理健康服务。
担忧与结论
尽管生成式人工智能潜力巨大，但应用中存在诸多问题，如 LLMs 的 “幻觉” 现象、可靠性挑战、模型崩溃、隐私风险和计算资源限制等。这些问题可能影响其在基于神经科学和生理学的精神病学研究中的应用。
伦理标准
本文为观点类文章，不涉及人类或动物实验，因此无需遵循 1964 年《赫尔辛基宣言》及其后续修正案或类似伦理标准的实验方案。
资助声明
本研究由北京哲学社会科学基金（24DTR063）资助。
CRediT 作者贡献声明
易峰和谷若雷撰写了手稿初稿。徐建和陆新泉负责文献检索。周媛对手稿进行修订。乔志宏对综述进行指导监督。所有作者均认可手稿的最终版本。具体贡献为：周媛：写作 - 审阅与编辑；易峰：写作 - 初稿撰写、概念构思；陆新泉：调查；徐建：调查；乔志宏：写作 - 审阅与编辑；谷若雷：写作 - 初稿撰写。
利益冲突声明
作者声明无利益冲突。
