多模态人工智能与青年心理健康的在线学习：一项范围性综述

这对年轻人和家庭为何重要

全球范围内青年心理问题在上升，但许多儿童和青少年仍未能及时获得帮助。与此同时，年轻人在智能手机、可穿戴设备、学校平台和社交媒体上不断产生数字痕迹，这些数据可能反映出他们的真实状态。本综述探讨了如何利用能够从多种数据中学习并随时间持续更新的新型人工智能（AI），在未来更早发现压力、抑郁等问题，并为年轻人提供更个性化的关护。

应对愈演愈烈的青年心理危机的新工具

全球数据表明，心理健康问题影响着大量儿童和青少年，并且在 COVID-19 大流行期间及之后情况恶化。与心理障碍相关的急诊就诊和医生远程会诊有所增加，尤其是在青少年女孩中。然而，服务仍然难以获得，许多年轻人在从儿童服务转向成人服务的过程中被遗漏。鉴于大多数终身性心理障碍在25岁前开始，作者认为在这一关键时期更好地检测和监测问题，可能对个人、家庭和卫生系统带来长期益处。

更聪明的机器如何提供帮助

AI 系统可以从数据中学习模式并用于检测或预测结果，例如压力或情绪低落的迹象。传统模型通常依赖单一数据源——例如文本、脑成像或问卷——并在固定数据集上一次性训练完成。综述重点关注对青年尤其有前景的两项进展。其一是多模态 AI，将若干类型的信息结合起来，例如可穿戴设备的心率信号、手机记录的睡眠与运动、语音或面部表情，以及书面帖子或问卷回答。其二是在线学习，模型不会保持静止，而是随着新数据到来持续更新，从而在年轻人的生活、行为或环境发生变化时进行适应。

当前研究的实际做法

作者系统检索了自2015年以来主要医学与工程数据库中，使用来自年轻人（至25岁）数据进行心理健康相关检测、监测或干预的 AI 研究。在500多篇论文中，仅有24篇符合他们的标准，且仅有少数同时结合多种数据类型与在线学习。大多数研究针对的是早期预警信号，如压力、情绪状态或认知负荷，而非正式诊断。例如，一些项目使用可穿戴传感器在学生执行压力任务时测量心脏活动或皮肤电反应，然后训练神经网络识别压力，并在获取更多数据时细化其预测。还有研究分析学生在一个学期内的手机与睡眠模式，将具有相似压力特征的学生分组，并在数据极少的情况下将模型自适应到新用户。

有希望的结果，但存在重要空白

在采用某种形式的持续更新的研究中，模型通常比仅一次性训练的系统更准确并更契合个体。在线学习有助于从脑活动中跟踪情绪状态的变化，并为每位用户调整压力检测。然而，作者指出，许多标榜“在线”的论文实际上采用的是较为宽松的增量再训练，而非对数据流进行真正的实时自适应。多数研究依赖样本量小且范围狭窄的群体——常为大学或研究生群体——且很少在独立数据集上验证模型。伦理与实际问题十分突出：从未成年人收集详细的生理与行为数据涉及关于同意、隐私、长期存储以及谁控制可能影响护理决策的模型持续更新等敏感问题。

该领域下一步的方向

综述得出结论：面向青年心理健康的 AI 是一个快速兴起但仍处于早期的领域。要将实验室原型转化为能够安全支持真实医疗的工具，研究者需要更大且更多样化的数据集、更清晰的年龄与背景报告，以及标准化的多模态青少年数据收集与共享方法。模型必须在时间维度和不同场景中进行测试，以确保在条件变化时仍保持可靠。未来工作应超越压力与情绪检测，纳入更广泛的临床公认障碍，并且关键在于研究 AI 如何协助实际干预，而不仅仅是标示问题。随着会话系统与大型语言模型愈加普及，必须对其对年轻用户的益处与风险进行审慎评估。目前，多模态的持续学习 AI 提供了有前景的方向——但这一路径要求强有力的保障、透明度以及技术人员、临床医生、年轻人及其家庭之间的密切合作。

引用: Ramirez Campos, M.S., Barati, K., Samavi, R. et al. Multimodal artificial intelligence and online learning in youth mental health: a scoping review. npj Mental Health Res 5, 26 (2026). https://doi.org/10.1038/s44184-026-00207-4

关键词: 青年心理健康, 多模态 AI, 在线学习, 压力检测, 可穿戴传感器