AI辅助多模态信息在抑郁症筛查中的应用：系统综述与荟萃分析

抑郁症是全球高发的精神障碍，传统筛查依赖主观评估导致漏诊率高。本研究通过系统分析80项研究，发现AI整合EEG、眼动、语音等多模态生理行为数据可实现AUC 0.95的高精度筛查，其中深度学习模型表现最优（AUC 0.93-0.97），为建立客观筛查标准提供新范式。

　　

抑郁症作为全球致残首要因素，传统诊断依赖量表评估存在主观性强、社区筛查困难等瓶颈。随着医疗技术进步，基于脑电图（EEG）、眼动、语音等生理行为指标的客观筛查方法逐渐兴起，但单模态数据难以全面捕捉抑郁症的异质性特征。更棘手的是，不同模态数据格式差异大，传统分析方法难以有效整合多维度信息。

上海交通大学的研究团队在《npj Digital Medicine》发表的研究，首次通过系统评价80项研究（含33项EEG、16项语音、13项多模态研究），揭示AI辅助多模态融合技术的突破性进展。研究采用PRISMA框架，检索截至2025年的三大数据库，通过QUADAS-2质量评估工具筛选文献，最终纳入1564项记录中的80项研究进行荟萃分析。关键技术包括：随机效应模型整合多模态AUC值、亚组分析比较不同算法性能（如SVM vs CNN）、异质性检验（I²统计量）等。

研究结果：

1. 1.

   单模态性能对比

   EEG表现最优（AUC 0.92），右额叶电极在静息态任务中特异性显著（SP 0.89）；语音分析中深度学习模型较传统ML特异性提升17%（SP 0.92 vs 0.75）；眼动指标如注视时长（Fixation duration）具有低异质性优势（I²=33.15%）。

2. 2.

   多模态融合突破

   EEG联合语音的融合策略AUC达0.93，而视频-语音-文本三模态组合表现更优（AUC 0.95）。深度学习框架下，跨模态注意力机制使敏感性提升至0.89（95% CI: 0.85-0.91）。

3. 3.

   算法性能差异

   深度学习方法（如CNN+LSTM）总体AUC 0.95，显著高于传统机器学习（AUC 0.90）。其中图神经网络（GNN）在EEG特征提取中展现独特优势，特异性达0.91。

结论与意义：

该研究证实多模态AI筛查的临床转化潜力，特别是基于EEG-语音的融合策略可减少42%的假阳性率。研究同时指出当前瓶颈：① 样本量不足（最大队列仅275人）限制深度学习应用；② 89%的多模态研究采用决策层晚期融合策略，可能损失特征互补性。团队呼吁建立标准化多模态数据库（如扩展MODMA数据集），并推荐XGBoost等可解释模型提升临床接受度。这项工作为开发实时、非侵入的抑郁症筛查系统奠定方法论基础，其建立的性能基准（AUC 0.92-0.96）将成为后续研究的重要参照。