一个集成深度学习与大语言模型的可解释人工智能框架用于学生心理健康

《Frontiers in Signal Processing》:An explainable AI framework integrating deep learning and large language model for student’s mental health

【字体: 大 中 小 】 时间:2026年08月03日 来源:Frontiers in Signal Processing 2.6

编辑推荐:

  心理健康障碍(如焦虑、抑郁和轻度认知障碍(Mild Cognitive Impairment, MCI))在18–30岁年轻人中日益普遍,显著影响学业表现、认知功能和整体幸福感。传统诊断方法依赖于主观评估和有限的临床观察,使得早期准确检测具有挑战性。为解决这些

  
心理健康障碍(如焦虑、抑郁和轻度认知障碍(Mild Cognitive Impairment, MCI))在18–30岁年轻人中日益普遍,显著影响学业表现、认知功能和整体幸福感。传统诊断方法依赖于主观评估和有限的临床观察,使得早期准确检测具有挑战性。为解决这些局限性,本研究提出了一种基于可解释深度学习的多模态方法,用于全面心理健康预测和个性化干预。该框架整合了来自临床环境的异质性数据源,包括人口学、认知、行为、生理和神经认知指标。数据预处理包括插补、归一化、编码和文本转换。采用跨方向特征学习网络(Cross-Directional Feature Learning Network, CDFLN)进行鲁棒的多模态特征提取,随后使用多模型渐进式密集自注意力跨域(Multi-model Progressive Dense Self-Attention for Cross Domain, MPDSA-CD)架构对焦虑、抑郁和MCI进行分类,并进行认知风险和严重程度评估。通过星鱼优化算法(Starfish Optimization Algorithm)进行超参数调优和参数细化,进一步提升模型性能。为确保临床透明性,利用SHapley加法解释(SHapley Additive exPlanations, SHAP)来解释模型预测并识别影响心理健康结果的关键风险因素。所提方法达到了99.8%的准确率、99.7%的精确率、99.9%的召回率和99.8%的F1分数,展示了强大的鲁棒性、泛化能力和临床适用性,适用于年轻人的早期检测和有效心理干预。
**论文解读:基于可解释深度学习与多模态融合的学生心理健康预测框架**

**研究背景与问题**
心理健康障碍(如焦虑、抑郁和轻度认知障碍(Mild Cognitive Impairment, MCI))在18–30岁年轻人中日益普遍,严重影响学业表现、认知功能和整体幸福感。传统诊断方法依赖主观自评问卷和临床访谈,效率低下且难以实现早期准确检测。现有基于人工智能的方法多采用单模态或有限多模态数据,未能全面捕捉心理状态的复杂异质性;同时,深度学习模型缺乏可解释性,阻碍了临床采纳;此外,现有系统对高风险和脆弱人群关注不足,且多数仅提供预测而缺乏可操作建议。因此,亟需一个统一、可解释且鲁棒的框架,同时支持心理健康预测和临床决策支持。

**研究内容与结论**
研究人员提出了一种可解释的深度学习多模态框架,用于预测年轻人中的焦虑、抑郁和MCI,并进行认知风险评估。该框架采用跨方向特征学习网络(CDFLN)整合人口学、认知、行为、生理和心理学等多模态数据,利用多模型渐进式密集自注意力跨域架构(MPDSA-CD)进行精准分类,并结合星鱼优化算法(SFOA)优化超参数。通过SHapley加法解释(SHAP)实现模型可解释性,识别关键风险因素。该框架在两个独立数据集(印度27,901例,美国27,901例,共55,802例样本,53个多模态特征)上达到99.8%的准确率、99.7%的精确率、99.9%的召回率和99.8%的F1分数,优于DDNet(97.98%)、HYBRID-Bi-LSTM(95.41%)等现有方法。该研究发表在《Frontiers in Signal Processing》,表明该框架在早期检测和有效心理干预中具有强大鲁棒性、泛化能力和临床适用性。

**主要关键技术方法(不超过250字)**
研究人员采用以下关键技术方法:1)基于Kruskal-Wallis检验的统计特征选择,筛选出48个显著特征(p<0.05),降低冗余并提高判别力;2)跨方向特征学习网络(CDFLN)通过成对模态交互捕获跨模态依赖,生成增强的联合特征表示;3)多模型渐进式密集自注意力跨域架构(MPDSA-CD)通过密集连接和自注意力机制实现特征重用与全局上下文建模,并利用星鱼优化算法(SFOA)进行超参数调优;4)SHAP解释用于量化每个特征对预测的贡献,提升临床透明性。样本队列来自印度Mindcare医院和美国Morris Lifesciences公司,共55,802份记录。

**研究结果**
**4.1 性能分析**
通过混淆矩阵、ROC曲线(AUC=1.00)、精确率-召回率曲线(AP=1.00)和每类指标评估,MPDSA-CD在美国和印度数据集上均实现近完美分类,准确率99.8%、精确率99.7%、召回率99.9%、F1分数99.8%,显著优于DDNet(97.98%)、HYBRID-Bi-LSTM(95.41%)等基准方法。相对性能提升幅度为1.79%–4.48%。训练和验证准确率曲线显示快速收敛且无过拟合。

**4.2 特征学习分析**
Kruskal-Wallis检验表明48个特征具有统计显著性(p<0.05),H统计量范围[17.53, 27894.84]。特征相关性矩阵和重构误差分析证实CDFLN有效提取了判别性多模态表示,重构损失曲线显示良好泛化。认知风险分布显示约15%学生处于风险中,风险分层稳定。

**4.3 模型可解释性分析**
SHAP分析识别出记忆丧失、饮食习惯、情绪指标等为关键预测因子,其中记忆丧失和饮食为最显著特征。全局特征重要性图显示生活因素和认知变量主导决策,SHAP摘要图提供个体和全局解释。最终报告输出分类结果(如“抑郁”)和认知风险评分(如89.5%“AT RISK”),并生成个性化临床建议。

**4.4 数据泄漏预防与泛化分析**
通过严格的数据划分(训练/验证/测试)、预处理统计仅从训练集计算、dropout正则化及验证集监控,防止数据泄漏和过拟合。消融实验表明全组件(K-W检验+CDFLN+MPDSA-CD+SFOA)协同工作,移除任一模块导致准确率下降至96.8%–98.7%。

**4.5 计算复杂度、可扩展性与部署分析**
CDFLN计算复杂度为O(M2d)(M为模态数,d为特征维度),MPDSA-CD自注意力为O(n2),SFOA优化仅训练阶段增加开销,推理时只需前向传播。框架支持模块化扩展,可整合可穿戴传感器、神经影像等新数据源,但需未来基准测试评估训练时间、内存使用和能耗。

**讨论与总结**
讨论部分指出,该框架在印度和美国数据集上表现优异,但未进行独立外部验证,因此报告性能应视为内部验证结果,而非完全临床验证。未来需进行多中心研究、重复交叉验证、置信区间估计及统计显著性检验(如配对t检验、Wilcoxon符号秩检验、McNemar检验等)以确认鲁棒性和泛化性。

**研究结论翻译**
MPDSA-CD框架为年轻人焦虑、抑郁和MCI的多模态预测以及认知风险评估提供了高效且可解释的深度学习解决方案。该混合方法达到了99.8%的准确率,优于现有技术。CDFLN和MPDSA-CD促进了高效的跨域特征学习,并进一步通过星鱼优化算法优化。通过特征水平的统计验证识别出判别性多模态指标。研究人员承认,与竞争方法之间的直接统计显著性比较将增强模型,这是未来工作的重要方向。该框架在可用数据集上具有统计鲁棒性和泛化性,但需进一步进行重复交叉验证、置信区间估计、敏感性分析以及独立外部数据集验证,以确认其统计鲁棒性和泛化性。因此,报告结果应被视为所用评估协议下的强经验证据,而不应解释为普遍临床使用的确凿证据。本研究的一个弱点是没有使用独立的外部验证队列。未来研究将使用来自不同机构和人群的外部验证集检验框架的泛化性和现实适用性。该框架展示了经验预测性能,但未来研究将包括正式统计显著性检验和独立验证实验,以提供报告改进的统计鲁棒性和可重复性。明确而言,在大规模临床部署之前,需要通过来自其他医疗机构的独立队列进行外部验证,这是未来研究的另一个重要方向。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号