基于专家引导大语言模型的多模态心理韧性数字生物标志物预测：在重度抑郁障碍患者中的验证研究

《BMC Psychiatry》：Interpretable speech biomarkers of psychological resilience in major depressive disorder via expert-guided large language models

　　

摘要

背景

重度抑郁障碍（MDD）患病率高且具有复发性，但当前的临床照护主要聚焦于症状缓解，忽视了个体心理韧性这一长期康复的关键因素。传统的韧性评估依赖主观自我报告，缺乏客观且可扩展的替代方法。

方法

本研究开发了一套多主题情绪访谈（MTEI）范式，并于2024年12月至2025年11月期间从248名MDD患者和101名健康对照中采集多模态数据。4周纵向随访（n = 106）用于评估模型的泛化能力。我们引入了专家引导的大语言模型（LLM）来提取深层语义韧性指数（SRI）和三维情绪特征（VAD）。采用投票回归集成模型将这些LLM衍生特征与即时自我评估小人像（SAM）状态评估相结合，以预测连续的Connor-Davidson心理韧性量表（CD-RISC）评分。

结果

最佳多模态融合模型（SRI + VAD + SAM）展现了良好的预测效能（R² = 0.555，一致性相关系数[CCC] = 0.705），并在时间验证集中保持了高度稳定性（R² = 0.557，CCC = 0.701）。重要的是，残差分析证实该模型捕捉到了独立于抑郁严重程度的特异性韧性特征，解释了纯韧性残差变异的9.6%。SHAP分析揭示，LLM衍生的能动性与控制感、认知细微差别以及情境情绪主导性是最关键的预测因子。传统声学特征在后期融合中未能提供独立的增量有效性。

结论

将专家引导的LLM用于深层语义解析，并结合即时情绪评估，为心理韧性提供了一种有前景且可解释的数字生物标志物。该框架成功解码了独立于抑郁情绪的认知应对策略，为个性化精神科干预提供了潜在的可操作靶点。

注册机构

中国临床试验注册中心，ChiCTR2500100966，注册日期：2025年4月17日。