摘要
全球大约每七人就有一个人受到精神障碍的影响，这使得早期识别对于防止症状恶化和慢性化至关重要。然而，诊断仍然充满挑战，据报道约有一半的案例中，转诊医生的初步评估与精神科专家的诊断存在差异。近年来，机器学习在心理健康评估方面取得了令人鼓舞的结果，决策树、随机森林和支持向量机等监督技术是最广泛使用的方法之一。然而，这些方法需要大型且具有代表性的数据集来捕捉精神障碍的巨大异质性，由于污名化、病情严重程度以及心理健康医疗资源获取有限等原因，这些数据难以获得。本研究探讨了仅使用非精神科人群数据来识别精神障碍的可行性。其潜在假设是，该人群表现出更大的同质性，因此可以使用具有高斯潜在空间的变分自编码器对其进行表征。所提出的方法使用非精神科训练人群的重建误差作为参考，新观测中显著更高的误差表明可能存在精神障碍。结果显示，在使用的两个数据集中，所提出的 VAE 的性能与前三种监督技术的性能相当。对于第一个数据集，VAE 的准确率、灵敏度、特异性和 ROC-AUC 分别为 0.88、0.90、0.85 和 0.95。决策树的各项性能指标分别为 0.83、0.86、0.80 和 0.88；随机森林为 0.88、0.91、0.85 和 0.94；支持向量机为 0.88、0.91、0.85 和 0.95。第二个数据集也获得了类似的结果。此外，不同人群间重建误差的递增可能反映了临床复杂性较高的群体与在非精神科人群中观察到的模式之间存在更大的偏差，这支持了其作为筛查工具的潜在用途。
