综述：人工智能在强迫症中的应用：系统性综述

这篇综述系统梳理了AI（包括ML、NLP和GenAI）在强迫症（OCD）早期症状检测、暴露与反应预防疗法（ERP）培训、临床决策支持及多模态生物标志物发现中的突破性进展，强调其缩短17年诊断延迟的潜力，并呼吁优先投资伦理合规的AI研究以改善预后。

　　

人工智能在强迫症诊疗中的变革潜力

早期症状检测与诊断革新

强迫症（OCD）平均需17年才能确诊，导致预后恶化。AI技术通过分析社交媒体文本、临床记录及语音特征，实现症状早期识别。大型语言模型（LLM）在临床案例测试中识别OCD的准确率甚至超越专业医师。非英语语种（如阿拉伯语和俄语）的NLP模型扩展了筛查覆盖范围，而语音分析技术通过声学特征关联儿童OCD症状严重程度（CY-BOCS量表）。

暴露与反应预防疗法的规模化应用

一线疗法ERP因训练资源短缺导致可及性不足。LLM可辅助生成个性化暴露层级清单，并通过虚拟患者模拟系统培训治疗师。值得注意的是，AI工具需避免强化患者的 reassurance seeking（寻求安慰）行为，目前建议在临床监督下使用。

神经影像与多模态生物标志物

尽管ENIGMA-OCD联盟的大样本研究显示单一模态（如结构MRI或DTI）分类效能有限，但多模态融合（功能连接+白质完整性）显著提升预测精度。深度学习方法从静息态fMRI推断任务态激活模式，发现OCD患者感觉运动网络低连接与丘脑高连接的神经特征。

药物开发与伦理挑战

AlphaFold预测的蛋白结构加速了靶点发现，而AI驱动的药物设计正优化5-羟色胺再摄取抑制剂（SRI）的副作用。需警惕语言模型中存在的神经多样性偏见（如将OCD关联负面刻板印象），FAITA-Mental Health框架从可信度、包容性等6维度评估AI工具伦理风险。

计算机视觉的行为量化

穿戴设备"Wrist Angel"通过动作传感器捕捉强迫性检查行为（如重复锁门），而视频分析显示青少年OCD患者物品排列时间与症状严重度呈正相关。

未来方向

跨模态集成（文本+神经影像+行为数据）、联邦学习框架下的多中心协作，以及可解释AI（XAI）将是突破OCD异质性和实现精准诊疗的关键。