新闻与事件
学术快讯｜深度学习技术融入精神障碍患者康复状态评估，探索人工智能在精神卫生康复中的创新应用
近日，上海交通大学设计学院刘钊老师团队联合上海交通大学附属精神卫生中心蔡军老师、张伟波老师团队在精神障碍领域获得重要进展，相关成果“Employing graph attention networks to decode psycho-metabolic interactions in Schizophrenia”和“Enhancing psychiatric rehabilitation outcomes through a multimodal multitask learning model based on BERT and TabNet： An approach for personalized treatment and improved decision-making”均发表在精卫领域JCR Q1区期刊Psychiatry Research（IF=11.3，SSCI/SCI）。
研究基于上海市四个区6000余名严重精神障碍（SMI）患者的基本信息、诊断和体检等数据，结合2020年4月至2021年4月的随访数据，使用深度学习技术，分别进行了康复状态效果评估，以及数据集中精神分裂症患者的"精神症状"与"代谢健康"两类特征的相关性挖掘工作。
研究1
该研究基于BERT和TabNet架构，构建了一个多模态多任务康复状态评估模型，以增强对严重精神障碍患者的转诊风险、危险行为、自知力和药物依从性四个维度的康复状态预测。其中，BERT用以处理随访记录等数据，而TabNet则处理诊断与体检等结构化诊断信息。该模型对所有四项任务都表现出了出色的预测性能，高于单模态与单任务的模型效果。此外，研究中对模型进行了一系列鲁棒性性、公平性和可解释性测试与分析，论证了该模型在康复护理中的应用潜力。
▲ 模型构建与研究过程
本研究成功设计并实现了一种基于深度学习的多模式多任务模型，专门用于评估 SMI 患者的康复状态。该模型在心理健康康复领域展现出巨大的潜力，为患者康复状况提供了全面、细致的评估方法。然而，尽管基于人工智能的决策支持系统提供了数据驱动的见解，但它们无法完全取代临床医生在治疗互动中表现出的同理心、直觉和情商。这些人类品质在建立治疗联盟、了解患者的个人经历和调整治疗计划方面发挥着至关重要的作用。
研究2
精神分裂症患者的精神症状与代谢健康之间错综复杂且其相互作用尚未充分探索。为了深入探究精神分裂症患者心理与代谢健康之间复杂的相互作用，本研究构建了精神症状与代谢健康相互作用的二部图网络，并基于图注意力网络（GAT）架构进行链路预测任务，旨在揭示传统统计分析无法捕获的数据间的非线性等复杂交互模式。结果表明，体重管理（BMI）和药物管理在精神疾病和代谢健康之间的相互作用中发挥着核心作用。此外，精神症状史与身体健康指标之间也存在显著关联，而这些在之前的研究中尚未得到充分强调。研究结果进一步强调了生物-心理-社会模型的重要性，特别是药物治疗、个人既往史（如既往心理创伤等）、代谢指标（如 BMI、szBp）和生物标志物（如 TG、HDLC 和 LDLC）等因素在精神症状与代谢健康之间的相互影响过程中的重要作用。
▲ 精神症状与代谢健康相互作用的二部图网络
▲ 使用GNN Explainer可解释性分析方法对精神症状与代谢健康的重要特征关联进行分析
这项研究强调需要对精神分裂症患者采取全面的治疗和康复方法，不仅要考虑患者的身体和心理状态，还要考虑他们的态度和对治疗的依从性。我们的研究结果强调了生物心理社会模型的重要性，特别是药物治疗模式、个人史因素（例如，既往心理创伤和精神分裂症症状）和代谢指标（如 BMI、szBp）和生物标志物（如 TG、HDLC 和 LDLC）之间的相关性。
该两项工作得到了上海交通大学2024年度“医工交叉研究基金”重点项目（YG2024ZD24）；上海市加强公共卫生体系建设三年行动计划学科带头人项目（GWVI-11.2-XD25）；上海交通大学文科青年人才培育计划项目（2023QN038），上海交通大学医学院科技创新项目(WK2118)，上海市“医苑新星”青年医学人才培养计划（沪卫人事[2021]99号），上海市自然科学基金委软科学项目“精神分裂症患者数字化康复建模”（项目编号：23692114900）基金支持。
点击链接跳转Psychiatry Research官网查看原文：
Employing Graph Attention Networks to Decode Psycho-Metabolic Interactions in Schizophrenia
