Искусственный интеллект в психиатрии: успехи, надежды, возможности и вызовы

Богданов Я.В., ГБУЗ Кузбасская клиническая психиатрическая больница, Кемерово, Россия

Резюме

Психические расстройства представляют собой сложную проблему здравоохранения, требующую значительных ресурсов и высококвалифицированных специалистов. Искусственный интеллект (ИИ) предлагает инновационные решения для трансформации психиатрической помощи, охватывая профилактику, диагностику, терапию и исследования. В настоящее время ИИ-алгоритмы демонстрируют высокую точность в диагностике различных расстройств, включая шизофрению, депрессию и аутизм, используя данные электронных медицинских карт, нейровизуализации и «цифровые фенотипы». ИИ помогает предсказывать течение заболеваний, ответ на лечение и риски, такие как суицид или агрессивное поведение. Виртуальные ассистенты, чат-боты и технологии виртуальной реальности поддерживают пациентов, обеспечивая психообразование, когнитивно-поведенческую терапию и мониторинг состояния. ИИ автоматизирует систематические обзоры литературы, анализирует большие объемы данных и строит клинико-психологические модели, например, для лечения аддиктивных расстройств. ИИ помогает врачам в получении информации, подготовке к экзаменам и составлении рекомендаций для пациентов. Перспективные технологии: психовизуализация (объединение нейровизуализации, биометрических данных и ИИ для визуализации мыслей, восприятия и эмоций). Существует ряд проблем внедрения ИИ в психиатрию: нехватка качественных данных, непрозрачность моделей ИИ, сложности валидации и регулирования, недостаток знаний о ИИ среди клиницистов, необходимость изменения рабочих процессов, риски автоматизации ошибок, вопросы к конфиденциальности данных, ответственности за решения, предвзятости алгоритмов, балансу между эффективностью и безопасностью. Путями к преодолению проблем станут междисциплинарное сотрудничество, повышение доверия к ИИ-системам за счет понимания логики принятия решений, обучение специалистов работе с новыми технологиями. ИИ обладает огромным потенциалом для трансформации психиатрической помощи, но требует ответственного подхода и решения существующих проблем.

---

Наблюдается устойчивый рост научных публикаций, посвященных применению искусственного интеллекта в психиатрии. Значительное количество работ в этой области были опубликованы в 2021-2023 годах, что демонстрирует высокий интерес к данной теме. Поэтому необходим систематический анализ научных публикаций для выявления основных тенденций и перспектив развития этого направления.

Цель исследования: проанализировать текущее состояние и перспективы применения искусственного интеллекта в психиатрии, охватывая различные области: диагностику, терапию, направление исследований, выявить основные вызовы, связанные с внедрением искусственного интеллекта (ИИ) в психиатрическую практику.

Материал и методы: поиск русскоязычных источников произведен: электронный каталог ГБУЗ КНМБ на основе автоматизированной информационно-библиотечной системы «ИРБИС», база данных Центральной научной медицинской библиотеки Сеченовского университета «Медицинские журналы и статьи» (RusMed) на базе платформы «Российская медицина», научная электронная библиотека eLIBRARY.RU, научная электронная библиотека КиберЛенинка. Поиск иностранных источников был произведен: PubMed, Springer Nature, Wiley Online Library. Поисковые запросы формировались комбинацией ключевых слов: «искусственный интеллект в психиатрии», «нейронные сети в психиатрии», «компьютерное зрение в психиатрии», «психовизуализация в психиатрии с использованием машинного обучения», «распознавание эмоций с помощью искусственного интеллекта», «диагностика психических расстройств с использованием машинного обучения», «персонализированная психиатрия с использованием искусственного интеллекта», «риски использования ИИ в психиатрии», «этические вопросы использования искусственного интеллекта в психиатрии», «конфиденциальность данных при использовании искусственного интеллекта в психиатрии», «правовое регулирование использования искусственного интеллекта в медицине и психиатрии», «гуманизация ИИ для задач психиатрической практики», «диагностика психических расстройств с использованием искусственного интеллекта в психиатрии», «Персонализированная терапия с использованием машинного обучения в психиатрии», «взаимодействие ИИ и пациентов психиатрических клиник», «neural network в психиатрии», «machine learning в психиатрии», «deep learning в психиатрии», «artificial intelligence в психиатрии», «распознавание эмоций с помощью функциональной магнитно-резонансной томографии», «распознавание эмоций с помощью ЭЭГ», «распознавание эмоций с помощью ЭКГ», «отношение и взгляд медицинских работников на использование ИИ в психиатрии». В обзор включены работы, опубликованные с 1986 по 2023 год, независимо от их дизайна. Для обобщения полученных данных использовался описательный анализ.

Актуальность проблемы применения ИИ в психиатрии

Психические расстройства (ПР) — одна из распространенных и сложных проблем в здравоохранении [9, 121]. Их диагностика и лечение требуют больших ресурсов и высокой компетенции специалистов [121]. ПР являются одной из основных причин нетрудоспособности и ухудшения качества жизни во всем мире, к 2030 году они станут крупнейшим фактором глобальной заболеваемости [98]. Развитие новых подходов, основанных на ИИ, рассматривается как один из перспективных путей трансформации психиатрической помощи, которая поможет справиться с современными вызовами [47, 72]. Первыми попытками применения ИИ в психиатрии стали компьютерные программы, имитирующие речь психотерапевта (ELIZA), разработанная в 1960-х годах [100]. В 1971 году была создана компьютерная модель, воспроизводящая паранойяльные процессы в условиях психиатрического интервью — система PARRY и BlueBox для фармакотерапии депрессий [100]. Эта система демонстрировала успехи, но имела ограничения, связанные с формализацией медицинских знаний. Компьютеризация психиатрической диагностики очень сложна, это отметил в своей работе Рыбальский М.И. [15]. Психиатрическая диагностика основана на качественной оценке расстройств высших психических функций, что трудно поддается формализации и программированию. Для создания психиатрических экспертных систем (ЭС) требуются мощные методы представления и интерпретации знаний, учитывающие сложность вербального описания психики [15]. Как показал Servan-Schreiber [100], пациенты часто более откровенны в общении с компьютерными системами. Развитие интеллектуальных обучающихся систем открывает возможности для создания компьютеризированных психотерапевтических методик, особенно в области когнитивно-поведенческой терапии. Рыбальский М.И. [15] подчеркивал, что ЭС должны быть помощниками психиатра, а не заменой ему, поскольку психиатрическая диагностика влияет на социально-правовой статус пациента. По мнению Wilhelmy et al., цифровая трансформация и внедрение ИИ многообещающи для профилактики, диагностики и терапии ПР [120]. Kargbo обозначает три ключевых направления изменений в психиатрии: использование биомаркеров, психоделических препаратов и применение ИИ [69]. Рассматриваются современные достижения ИИ в психиатрии, отмечается большой потенциал ИИ для трансформации психиатрической помощи в области диагностики, мониторинга состояния пациентов, разработки новых методов лечения [2]. Незнанов Н.Г. полагает, что активное внедрение телемедицинских технологий, изучение роли генетики и микробиома в происхождении психических расстройств, разработка методов диагностики на основе биомаркеров, аватар-терапия и использование искусственных нейронных сетей меняют ландшафт современной психиатрии [13]. Машинное обучение (МО) и обработка естественного языка, активно исследуются для решения широкого круга задач в психиатрии [72]. ИИ-алгоритмы «показали высокую точность в диагностике» ПР, включая шизофрению, депрессию и расстройства аутистического спектра, на основе данных электронных медицинских карт, нейровизуализации и «цифровых фенотипов» [31, 76, 92]. ИИ применяется для прогнозирования течения заболеваний и ответа на лечение [76, 121]. Внедрение ИИ также открывает новые возможности в области терапии — от разработки виртуальных ассистентов и чат-ботов для психообразования и поддержки пациентов, до использования виртуальной и дополненной реальности в психотерапии [9, 47, 52, 76, 90]. Jin et al. описывают применение ИИ в области психического здоровья и цифровой психиатрии [67]. Авторы много места отводят глубокому обучению как одному из методов ИИ. Germine et al. [56] рассматривают проблему масштабирования измерений поведения человека для достижения «высокоточной психиатрии». Авторы отмечают три основные сложности: вовлечение участников, доступность методов и надежное измерение индивидуальных различий. Chen et al. рассматривают роль МО и ИИ в развитии «точной психиатрии» [37]. Авторы обсуждают подходы, сочетающие ИИ-технологии, функциональную нейровизуализацию и методы нейромодуляции, которые могут обеспечить эффективные и объяснимые решения для клинической практики. По данным Hsin et al. [62] психиатрическая практика в значительной степени опирается на субъективные наблюдения, использование объективных данных ограничено. Появление носимых устройств и смартфонов открывает возможность непрерывного мониторинга поведения и биометрии пациентов, что может дополнить традиционные методы оценки [62]. ИИ может использоваться для непрерывного мониторинга состояния пациентов с известными психическими расстройствами, для прогнозирования индивидуальных реакций пациентов на психофармакологические препараты, используя методы глубокого обучения [96]. В перспективе ИИ может оказывать поддержку при выборе оптимальной терапевтической тактики, обсуждается потенциал ИИ в автоматизированной онлайн-психотерапии [96]. Интернет-программы, например MOST, предлагают онлайн-поддержку при психозе и депрессии [51]. Внедрение ИИ в психиатрию может привести к существенным организационным изменениям, Brunn et al. [29] отмечают, что ИИ способен изменить организацию психиатрической помощи, а также интеграцию в здравоохранение в целом. Это может привести к перераспределению обязанностей [29]. Sahoo et al. пишут, что доступ к качественной психиатрической помощи ограничен из-за стигматизации, недостаточного финансирования и нехватки специалистов [16] и, понимая трудности по внедрению ИИ-технологий в психиатрию, возлагают на них большие надежды. Brunn et al. [29] призывают к исследованиям того, как ИИ влияет на организацию медицины, психиатрии и взаимодействие с немедицинскими профессиями. Авторы предлагают подготавливать будущих психиатров через опыт работы с приложениями ИИ, этические дискуссии и трансдисциплинарное сотрудничество [29]. Ряд работ рассматривает перспективы использования ИИ для профилактики ПР и поддержания психического здоровья людей [50, 99]. В частности, Ettman и Galea [50] отмечают, что ИИ может повлиять на психическое здоровье населения через совершенствование психиатрической помощи, изменение социально-экономических условий и политику, регулирующую использование ИИ. Аллен [21] указывает на острую нехватку психиатров во всем мире и отмечает, что ИИ может помочь восполнить этот пробел. Автор рассматривает текущее ограниченное применение ИИ в психиатрии, а также большие перспективы, связанные с цифровым фенотипированием через смартфоны для прогнозирования и понимания состояния пациентов. Лубянко и соавт. [12] отмечают, что ИИ способен имитировать когнитивные функции человека и используется в различных сферах, включая диагностику психических расстройств. В работе описывается проект «psyDI» с применением ИИ для диагностики ПР. Авторы делают вывод, что ИИ может существенно улучшить диагностику в психиатрии, особенно на уровне первичного звена. Статья Tai et al. [106] посвящена потенциалу МО и больших данных для моделирования ПР и разработки новых методов лечения в психиатрии. Авторы отмечают, что в психиатрии отсутствуют общепринятые модели ПР, это затрудняет разработку новых методов лечения. МО может помочь в выявлении значимых факторов для построения более точных моделей. Эти технологии могут способствовать выявлению биомаркеров психических заболеваний, индивидуализации диагностики и лечения, разработке новых методов терапии. Ray et al. [95] дают общий обзор роли ИИ в психиатрии. Авторы отмечают растущее бремя ПР, особенно в Индии, где остро ощущается нехватка психиатров. Преимуществами ИИ в психиатрии являются более низкая стоимость, широкий охват и отсутствие предубеждений, но есть и недостатки, такие как отсутствие эмпатии и угроза конфиденциальности данных. ИИ может помочь в диагностике ПР на основе анализа медицинских данных, визуализации и обработки изображений, а также в мониторинге поведения и эмоций пациентов. ИИ также может использоваться для персонализации лечения, разработки новых методов терапии и создания интерактивных терапевтических приложений. Вместе с тем, современный ИИ все еще ограничен и должен рассматриваться как инструмент под контролем человека[1]. Bickman L. [25] изучая почти 50-летний опыт изучения ИИ отмечает существенный прогресс в этой области и трансформирующее влияние на психиатрическую науку и практику машинного обучения и искусственного интеллекта. Одной из важных областей применения ИИ в психиатрии является автоматизация создания систематических обзоров научной литературы. Традиционно систематический обзор требует громадных трудозатрат на отбор релевантных публикаций из множества источников. В работе [18] продемонстрировано, что модели глубокого обучения, такие как BERT и SciBERT, способны с высокой точностью автоматизировать отбор аннотаций статей для систематических обзоров по психиатрии. ИИ во взаимодействии со специалистами значительно сокращает временные и трудовые затраты. Наряду с исследовательскими целями, ИИ может внедряться в клиническую практику и образование врачей [48].

Сложность психических расстройств, недостаток больших репрезентативных наборов данных, вопросы этики, прозрачности и ответственности при применении «черных ящиков» ИИ требуют тщательной проработки [47, 52, 72, 111]. Для успешного внедрения ИИ в психиатрическую практику необходим комплексный подход, включающий междисциплинарное сотрудничество специалистов, разработку методологических стандартов, а также решение проблем конфиденциальности, предвзятости и интерпретируемости моделей [7, 47, 111]. Для повышения качества исследований, использующих методы МО в психиатрии, Tandon & Tandon предлагают контрольный список критериев для рецензирования публикаций в этой области [107]. Авторы подчеркивают важность соблюдения высоких стандартов научной строгости при применении этих методов, которые существенно отличаются от традиционных статистических подходов. Graham et al. анализируют применение ИИ в области психического здоровья и психических заболеваний, авторы отмечают, что, хотя исследования демонстрируют высокий потенциал ИИ, большинство из них находятся на ранних концептуальных стадиях [58]. Для эффективного клинического внедрения ИИ требуется работа по преодолению разрыва между исследованиями и практикой. Для успешного клинического применения «вычислительной психиатрии» Paulus et al. предлагают поэтапный план развития, аналогичный процессу разработки лекарственных средств [89]. Важно интегрировать в ИИ-системы принципы «искусственной мудрости» — способность принимать сострадательные и этичные решения [47, 72]. Одна из ключевых проблем использования ИИ в медицине в целом, и в психиатрии в частности, связана с «черным ящиком» — непрозрачностью внутренних механизмов работы моделей машинного обучения, особенно основанных на глубоком обучении [105]. Это затрудняет понимание врачами логики принятия решений ИИ-системами и снижает доверие к ним. Объяснимость ИИ – фундаментальный вопрос. Для решения этой проблемы Starke и Poppe [105] предлагают использовать разработанное К. Ясперсом разграничение «объяснения» и «понимания» психопатологических феноменов. Объяснение связано с выявлением общих закономерностей, а понимание — с постижением смысла конкретных явлений; применение этих двух подходов в комплексе может повысить объяснимость ИИ-моделей в медицине. Перспективным направлением развития ИИ является переход к третьему поколению, основанному на интеграции символического и коннекционистского подходов [128]. Это позволит создать более объяснимые, устойчивые и безопасные ИИ-системы. Кроме того, для ускорения прогресса в области ИИ авторы Zador et al. [127] предлагают использовать достижения нейронаук. Понимание принципов работы мозга и нервной системы может помочь создать ИИ с более естественным интеллектом и сравнимыми с человеком способностями. Предлагается сосредоточиться на изучении базовых сенсомоторных функций человека. Подоплелова Е.С. анализирует методы ИИ, применяемые для решения задач в психиатрии. Основными направлениями являются деидентификация клинических записей, классификация тяжести симптомов и прогнозирование развития психоза [14].

Несмотря на многообещающие перспективы, применение ИИ в психиатрии связано со значительными ограничениями и вызовами [33, 83, 88, 96]. К ним относятся: 1. Технические проблемы: нехватка качественных данных, непрозрачность «черного ящика» в моделях ИИ, сложности валидации [33, 83]. 2. Человеческие факторы: недостаток знаний об ИИ среди клиницистов, необходимость изменения рутинных рабочих процессов, возможность деквалификации специалистов [83, 88]. 3. Этические вопросы: проблемы ответственности, предвзятости, конфиденциальности данных, баланс между эффективностью и безопасностью [96, 81]. Pak et al. [88] отмечают обеспокоенность, что развитые ИИ-системы в перспективе могут заменить психиатров. Важной предпосылкой успешного внедрения ИИ в психиатрическую практику является формирование доверия пациентов и клиницистов к новыми технологиями [86]. Клиницисты должны выступать связующим звеном, способствуя принятию ИИ-систем пациентами. Для успешной интеграции ИИ в психиатрическую помощь необходимо последовательно решать проблемы, поддерживая баланс между эффективностью технологий и обеспечением безопасности, этичности и доверия со стороны пациентов и специалистов [81]. Sahoo et al. [98], Ayhan [23] отмечают, что ИИ может страдать от предвзятости алгоритмов, чрезмерного использования социальных сетей пациентами для самовыражения, авторы озабочены сокращением человеческого взаимодействия, юридическими и нормативными вопросами.

Внедрение ИИ и МО в психиатрическую практику вызывает неоднозначную реакцию в профессиональном сообществе. С одной стороны, ИИ открывает новые возможности для диагностики, лечения и мониторинга пациентов. А с другой, существуют опасения относительно рисков и ограничений этих технологий. Doraiswamy et al. [43] установили, что только 3,8% психиатров считают, что ИИ и МО сделают их работу устаревшей. 75% считают, что ИИ сможет заменить врачей в ведении документации, 54% — в постановке диагнозов. Около половины респондентов ожидают существенных изменений в своей работе из-за ИИ в ближайшие 25 лет. Врачи скептически относятся к возможности ИИ заменить эмпатию, оценку суицидального риска, составление планов лечения, но ожидают помощи в рутинных задачах [43, 26]. Blease et al. [26] выделили четыре основные категории влияния ИИ: на взаимодействие врач-пациент, качество помощи, профессию психиатра и организацию психиатрической помощи. Zhang et al. [129] изучали мнения социальных работников, медсестер и других специалистов в области психического здоровья об использовании ИИ. Выявлен интерес, но также барьеры, включающие недостаток знаний, ограниченные ресурсы и опасения по поводу справедливости алгоритмов, предлагается включать в психиатрическое образование изучение методов ИИ в медицине. Rogan et al. [97] обобщили взгляды медицинских работников на использование ИИ. Признается потенциал для улучшения оценки состояния и лечения, но поднимаются вопросы конфиденциальности данных пациентов при использовании ИИ, влияния на рабочую нагрузку и терапевтические отношения. Banerjee M. et al. [24] исследовали спектр мнений врачей-стажёров по внедрению ИИ в процессы обучения в психиатрии. Врачи-стажеры воспринимают положительно внедрение ИИ в обучение. Стажеры считают, что ИИ улучшит обучение исследовательским навыкам, снизит клиническую нагрузку, скептически относятся к тому, что ИИ улучшит обучение клиническому суждению и практическим навыкам. Сообщают об отсутствии достаточного обучения по ИИ в текущих учебных программах и поддерживают введение формального обучения по этой теме. Авторы рекомендуют включить темы «Прикладного ИИ» в учебные программы. Профессиональное сообщество специалистов по психическому здоровью в целом открыто к внедрению ИИ, но при этом высказывает обоснованные опасения.

Этические аспекты применения ИИ в психиатрии

Внедрение ИИ в психиатрическую практику сопряжено с рядом этических проблем. Исследование Jacobson et al. [65] анализирует этические дилеммы, возникающие при применении цифровых технологий и МО в психиатрических исследованиях. Отмечена необходимость соблюдения баланса между правом на конфиденциальность участников и развитием науки, подчеркиваются сложности в обеспечении информированного согласия и прозрачности использования данных. Проблематична интерпретируемость высокопроизводительных моделей МО в клинической практике. Wiese [119], отмечает ряд этических проблем, связанных с защитой данных, потенциальными трансформирующими эффектами на понимание психического здоровья, риском биологизации, игнорирования сознательного опыта пациентов, подчеркивает необходимость междисциплинарного сотрудничества для ответственного использования ИИ. Bouhouita-Guermech et al. [28] рассматривают этические проблемы, возникающие при использовании ИИ в научных исследованиях и отмечают, что существующие руководства по этике исследований недостаточно адаптированы к реалиям применения ИИ. Это создает сложности для этических комитетов в адекватной оценке этических аспектов исследований с использованием ИИ. Необходимы разработка специализированных этических стандартов и наращивание компетенций в этой области. Указывается на ряд рисков и проблем, связанных с ИИ в психиатрии: низкое качество данных для обучения, риск предвзятости ИИ, вопросы конфиденциальности, снижение роли человеческого фактора, непредсказуемость ИИ, проблемы юридической ответственности, подчеркивается необходимость законодательного регулирования ИИ при внедрении в психиатрическую практику [4]. Gooding и Kariotis [57] считают, что этические и правовые вопросы редко обсуждаются в исследованиях, посвященных применению алгоритмических технологий. Wiese и Friston [118] рассматривают трансформирующие эффекты применения методов «вычислительной психиатрии» на понимание психических расстройств и здоровья и подчеркивают важность сохранения этического измерения. Согласно Wilhelmy et al. [120], внедрение ИИ в психиатрическую практику несет не только новые возможности, но и новые этические проблемы, указывают на необходимость обеспечения баланса между технически возможным и этически необходимым.

Применение ИИ в диагностике шизофрении

Шизофрения является тяжелым психическим расстройством, затрагивающим около 24 миллионов человек во всем мире [94]. В последние годы активно исследуются возможности применения ИИ и МО для повышения точности диагностики шизофрении. Одним из перспективных направлений является анализ ЭЭГ пациентов с помощью глубокого обучения. Oh et al. [87] разработали 11-слойную сверточную нейронную сеть для автоматического выявления шизофрении по ЭЭГ с точностью 98,07%. Aslan Z., Akin M. [22] использовали архитектуру VGG16 для классификации шизофрении и здоровых людей по ЭЭГ с точностью 98-99,5%. Модели ИИ позволяют выделять частотные диапазоны, связанные с шизофренией [53]. Методы МО также применяются для анализа структурных и функциональных изменений мозга при шизофрении по данным МРТ. Castellani U. et al. [32] продемонстрировали высокую точность классификации шизофрении на основе локальных морфологических аномалий в дорзолатеральной префронтальной коре по данным МРТ. Verma S. et al. [113] отмечают перспективность совместного использования данных от разных модальностей (МРТ, фМРТ, DTI – диффузная тензорная томография) с применением глубокого обучения. ИИ может быть полезен для прогнозирования ответа на терапию при шизофрении. Iznak и Iznak [10] обобщили данные об использовании количественной ЭЭГ для выявления биомаркеров, предсказывающих терапевтические эффекты у пациентов с шизофренией и другими расстройствами. Гашкаримов В.Р., et al. [8] в обзорной статье изучили научные публикации с 2010 по 2023 год. Исследование показало, что МО широко применяется для анализа функционального состояния пациентов с шизофренией. ИИ помогает интерпретировать результаты МРТ, ЭЭГ и актографии. Ученые пришли к выводу, что МО может помочь прогнозировать и диагностировать шизофрению на основе истории болезни, генетических данных и эпигенетической информации. Fakhoury [51] сообщает об успешном использовании латентного семантического анализа речи для различения пациентов с шизофренией и здоровых людей. МО позволяет создавать эффективные модели для диагностики и прогнозирования клинических шизофрении, таких как бессонница, депрессивные симптомы, риск суицида, агрессивное поведение и изменения когнитивных функций с течением времени.

Современные подходы к использованию МО в диагностике и лечении аффективных расстройств

Аффективные расстройства (АР), такие как большое депрессивное расстройство (БДР) и биполярное расстройство (БАР), представляют значительную проблему для здравоохранения. Традиционная диагностика в психиатрии в значительной степени основана на субъективных отчетах пациентов и экспертной оценке врачей, что делает ее подверженной систематическим ошибкам [49]. Все больше исследований посвящено применению методов МО и ИИ для диагностики и персонализации лечения АР. Например, программы на основе МО, такие как Beating the Blues, показали эффективность в уменьшении симптомов депрессии и тревоги [51]. Gallo et al. [54] анализировали данные двух крупных консорциумов рестинг-фМРТ, включающих 3377 участников для выявления биомаркеров функциональной связности мозга при БДР. Авторы использовали различные алгоритмы МО (линейные SVM, RBF SVM; пространственные графовые сверточные сети GCN). Несмотря на то, что точность классификации БДР составила лишь 61%, визуализация с помощью GCN-Explainer показала, что одной из наиболее значимых нейрофизиологических характеристик БДР является гиперсвязность таламуса. Результат был воспроизведен в обоих наборах данных, подчеркивая важность этой области мозга в патофизиологии депрессии. Chen et al. [35] использовали МО для предсказания ответа на лечение у пациентов с БДР. Они собрали данные о демографии, стрессовых факторах и метилировании ДНК гена триптофангидроксилазы 2 (TPH2) у 291 пациента. Применение алгоритма «случайного леса» на основе клинических и эпигенетических данных позволило достичь точности предсказания ответа на лечение 70%. Возраст начала заболевания и уровни метилирования конкретных CpG-сайтов гена TPH2 являются важными предикторами ответа на терапию. Согласно работе Espinola et al. [49], изменения в речи, такие как монотонность и безэнергичность, характерны для пациентов с депрессией и могут быть использованы для ее обнаружения. Авторы проанализировали образцы речи 33 добровольцев с помощью алгоритмов извлечения признаков речи и методов МО. Модели на основе метода опорных векторов продемонстрировали точность классификации до 89% в распознавании депрессии, что указывает на перспективность этого подхода. Liu [79] предложил систему, использующую глубокое обучение для выявления людей с депрессией по данным из соцсетей. Модель обучили на данных из Reddit, Twitter и Weibo, она продемонстрировала лучшие на сегодняшний день результаты в этой области. Duan et al. [44] исследовали возможности использования ЭЭГ-сигналов и алгоритмов МО, таких как KNN, SVM и CNN, для автоматического определения БДР. Лучшие результаты классификации (точность 94%) были получены с применением смешанных признаков межполушарной асимметрии и кросс-корреляции ЭЭГ на сегментах длительностью 2 секунды. Ceccarelli и Mahmoud [34] предложили мультимодальный подход на основе рекуррентных нейронных сетей для распознавания как БДР, так и БР по видеозаписям, продемонстрирована высокая эффективность за счет учета временной динамики поведенческих проявлений. В обзорной работе Yasin et al. [125] сделан акцент на использовании ЭЭГ-сигналов и нейронных сетей для распознавания БДР и БР. Авторы подробно рассматривают различные ЭЭГ-протоколы, биомаркеры и общедоступные наборы данных, а также обсуждают пути повышения надежности моделей на основе ИИ в психиатрии. Watts et al. [117] провели мета-анализ исследований, использующих ЭЭГ и МО для прогнозирования ответа на лечение при БДР. Средняя точность прогнозирования составила 83,93%, модели лучше идентифицировали не-респондеров, чем респондеров. Несмотря на многообещающие результаты, существуют ограничения в применении МО и ИИ в психиатрии [104]. Необходимы дальнейшие проспективные валидационные исследования, стандартизация критериев ответа на лечение и крупные консорциумные проекты для повышения воспроизводимости результатов [104]. Важно продемонстрировать реальное улучшение результатов лечения пациентов в сравнении с традиционными методами. В целом, исследования показывают перспективность использования различных алгоритмов МО в сочетании с анализом биометрических данных, акустических характеристик речи, данных социальных сетей.

ИИ и болезнь Альцгеймера

Нами найдено ограниченное число исследований о применении ИИ при болезни Альцгеймера. Булгакова С.В. и соавторы [6] считают, что мультидисциплинарное взаимодействие врачей-нейрофизиологов со специалистами в области неврологии, психиатрии, психотерапии, психоанализа и гериатрии в сочетании с инструментами искусственного интеллекта (ИИ) представляет собой современное решение проблемы реабилитации когнитивных функций мозга человека. Биология, биофизика, физиология и нейрофизиология позволяют выявлять многомерные и комбинаторные профили генетических, биологических, патофизиологических и клинических биомаркеров, отражающих гетерогенность нейродегенерации, с помощью современных инструментов анализа регистрации и создания всеобъемлющих карт мозга и динамических моделей на разных уровнях: от молекул и нейронов до областей мозга. Структурные и функциональные маркеры мозга устанавливают связь между клиническими фенотипами и молекулярными патофизиологическими механизмами. Технологии ИИ способны прогнозировать болезнь Альцгеймера с использованием комбинированной и гибридной нейровизуализации, секвенирования и других методов.

ИИ в судебной психиатрии

ИИ находит более широкое применение в судебной психиатрии. В мета-анализе Watts D. et al. [116] исследовалась диагностическая точность моделей МО для прогнозирования преступных и насильственных исходов в психиатрии. Анализ 20 исследований с 2428 пациентами показал среднюю точность моделей 71,45%, чувствительность 73,33%, специфичность 72,90%. Использовались различные типы данных: однонуклеотидный полиморфизм, текстовый анализ, психометрические шкалы, истории болезни и показатели мозгового кровотока. Авторы пришли к выводу, что модели ИИ могут быть полезным инструментом для оценки риска преступного поведения у пациентов с ПР, но требуется дальнейшая валидация на независимых выборках. Помимо прогнозирования рисков, ИИ может быть полезен в других аспектах судебной экспертизы. Chinnikatti [103] отмечает, что ИИ способен анализировать большие и сложные массивы данных в цифровой криминалистике, предоставлять статистически обоснованные способы анализа доказательств, моделировать сценарии для юристов и судей, объяснять ход рассуждений, что важно для судебной экспертизы. ИИ может помочь преодолеть пробел в коммуникации между экспертами, следователями и юристами. Авторы отмечают, что мы находимся в самом начале пути, требуется не только валидация моделей ИИ, но и комплекс мероприятий по внедрению в повседневную практику, медицинские информационные системы, осмысление и принятие новых методов диагностики и работы в экспертном и юридическом сообществах.

ИИ в детской психиатрии

De Lacy et al. [42] построили модели МО, которые прогнозировали тревожные расстройства, депрессию, СДВГ, ПТСР у подростков на основе нейрофизиологических, когнитивных, поведенческих, социальных факторов. Наилучшие результаты показали модели глубокого обучения и «деревьев решений». МО помогало предсказывать развитие психоза у подростков группы риска и попытки самоубийства [51]. Yang et al. [124] показали возможность использования моделей глубокого обучения для классификации детского ПТСР на индивидуальном уровне с точностью 71,2% на основе данных фМРТ в покое. Модель выявила вовлеченность лимбической системы при ПТСР. Till AC, Briganti G. [110] рассмотрели перспективы ИИ в детской психиатрии: сетевой анализ для моделирования взаимосвязей между симптомами, использование МО для раннего выявления расстройств аутистического спектра и СДВГ, разработка инструментов скрининга, диагностики, лечения с помощью ИИ, использование чат-ботов и мобильных приложений в качестве психотерапевтических инструментов для детей и подростков.

Автоматизация диагностики психического здоровья при психиатрическом освидетельствовании

Корнетов А.Н., с соавторами изучил подходы к автоматизации диагностики ПР при у операторов опасных профессий [11]: пилотов, водителей, работников технических объектов. Традиционные методы не всегда позволяют выявлять ПР. Люди могут скрывать проблемы из опасений потерять работу. Депрессия и тревожные расстройства являются наиболее распространенными проблемами среди операторов [11]. Разработка аппаратно-программных комплексов для ранней диагностики ПР с использованием методов ИИ может стать перспективным решением. Анализ аудио- и видеоданных с помощью ИИ позволяет оценивать психическое здоровье по речи и экспрессии эмоций. Внедрение автоматизированного скрининга актуально на крупных предприятиях [11].

Роль ИИ в построении моделей для лечения аддиктивных расстройств

Аддиктивные расстройства среди ПР характеризуются высокими показателями рецидивов. Перспективное направлений в этой области — применение ИИ для построения клинико-психологических моделей. Бохан Н.А. с соавторами (5) разработали модель формирования антирецидивного поведения у пациентов с ПР и аддиктивными расстройствами. Ключевые этапы модели: 1) поддерживающая терапия 2) формирование навыков самоконтроля и регуляции эмоций 3) содействие социальной адаптации. ИИ позволил проанализировать большие объемы данных, подтвердить научную обоснованность, оптимизировать структуру модели. ИИ продемонстрировал, что обучение пациентов методам самоконтроля и эмоциональной регуляции — критически важно для предотвращения рецидивов (5).

Использование чат-ботов на основе ИИ в психиатрической практике

Растущее бремя психических заболеваний, и нехватка специалистов в области психического здоровья во всем мире стимулируют активное развитие новых методов оказания психиатрической помощи. Одним из перспективных направлений является применение интеллектуальных чат-ботов для поддержки пациентов с психическими расстройствами [90]. Чат-боты с ИИ могут значительно улучшить вовлеченность пациентов и приверженность лечению [27]. Благодаря способности анализировать большие объемы данных, чат-боты способны персонализировать интервенции и адаптироваться к индивидуальным потребностям пользователей. Передовые алгоритмы чат-ботов позволяют им взаимодействовать с пациентами на эмпатичном уровне, что повышает эффективность психологической поддержки [27]. Одним из ярких примеров использования чат-ботов с ИИ в психиатрии является проект Woebot [17]. Woebot представляет собой виртуального психотерапевта, использующего методы когнитивно-поведенческой терапии (КПТ) для помощи пациентам с депрессией и тревожными расстройствами. Чат-бот постоянно совершенствуется на основе самообучения, что позволяет ему непрерывно улучшать качество оказываемой помощи. Но чат-боты, несмотря на их способность имитировать эмпатию, лишены морального измерения, характерного для подлинных человеческих отношений [82]. Широкому внедрению чат-ботов в клиническую практику препятствуют ошибочные представления специалистов в области психического здоровья [27]. Необходимы строгие научные исследования для оценки эффективности чат-ботов в сравнении с традиционными методами психотерапии, а также для преодоления существующих ограничений [27].

Психовизуализация

Под «психовизуализацией» можно понимать междисциплинарный подход, объединяющий методы нейровизуализации, регистрации биометрических данных, ИИ и анализа психических процессов для визуальной реконструкции и декодирования (раскрытия) внутреннего психического содержания человека, переведения его в визуальную форму. Понятие «психовизуализация» позволяет объединить и систематизировать разрозненные исследования в этой области, подчеркивая их общую цель — декодирование и визуальную репрезентацию внутренних психических процессов человека. Термин отражает роль методов ИИ (компьютерного зрения, нейросетей) в реализации этих задач. Психовизуализация — перспективное и актуальное направление на стыке нейронаук, психологии, психиатрии и информатики, открывающее новые возможности в понимании, диагностике и визуализации психических функций, что может иметь большое прикладное значение в психиатрии.

Современные возможности визуализации представлений и восприятия. Использование предсказания на основе нейровизуализации и МО становится все более распространенным в психиатрических исследованиях [109]. Успешные исследования в области декодирования зрительного восприятия из данных фМРТ включают модель SC-GAN для реконструкции естественных изображений [63], а также структуру глубокого обучения с использованием свёрточного автокодировщика, LSTM и C-PG-GAN [64]. Модели реконструируют изображения, воспроизводящие семантические категории и текстурные характеристики зрительных стимулов. Другие исследования изучали нейронные представления эмоциональных выражений лица и тела. Использование многомерного анализа паттернов функциональной связности позволило успешно декодировать как лицевые, так и телесные эмоциональные выражения [74, 75]. Выявлена вовлеченность распределенных сетей в обоих полушариях, включая области от первичной зрительной коры до более высоких уровней, в обработку эмоциональной информации. Есть обзоры методов глубокого обучения для реконструкции изображений из фМРТ-данных [93, 102]. Эти методы, основанные на иерархических нейронных представлениях, показывают многообещающие результаты в визуализации восприятия. Однако отмечаются проблемы, связанные с необходимостью больших объемов данных, сложностью интерпретации и этическими вопросами [45]. Перспективным является применение методов самообучения для реконструкции изображений и крупномасштабной семантической классификации по фМРТ-данным [55]. Эти подходы демонстрируют беспрецедентные возможности в задачах, ранее ограниченных размером и разнообразием данных. Кроме того, исследования показывают, что иерархические визуальные представления могут быть переданы между людьми с использованием функционального выравнивания, что позволяет выполнять межиндивидуальную реконструкцию изображений [61]. Shen G. Et al., [101] представили новый метод восстановления изображений из активности мозга человека с использованием глубокого обучения, он отличается от сложившихся методов восстановления изображений из фМРТ, которые обычно используют предобученные модели и фокусируются на декодировании отдельных визуальных признаков. Авторы предложили обучать глубокую нейронную сеть непосредственно на парах данных «активность мозга — соответствующее изображение». Они построили генеративно-состязательную сеть, которая была обучена на данных, состоящих из натуральных изображений и соответствующих ответов активности мозга. Авторы протестировали модель на новых, неиспользованных данных и показали, что она успешно реконструирует изображения, основываясь только на паттернах активности мозга. Точность реконструкций улучшалась по мере увеличения объема обучающих данных. Наконец, глубокие нейронные сети применяются для прогнозирования эмоциональных реакций человека по данным фМРТ [70, 71, 77]. Эти модели способны успешно классифицировать базовые эмоции, используя паттерны функциональной коннективности в распределенных сетях мозга. Эти исследования демонстрируют значительный прогресс в использовании ИИ и нейровизуализации для расшифровки и реконструкции психических процессов, включая зрительное восприятие, эмоциональные реакции и «ментальную визуализацию» [3], что может иметь очень большое значение для клинической психиатрии.

Распознавание эмоций с использованием биометрических данных и методов машинного обучения. Благодаря развитию ИИ, наблюдается значительный прогресс в автоматическом распознавании эмоций. У психиатров растет интерес к объективным методам оценки эмоционального состояния, выходящим за рамки субъективных отчетов. Есть исследования, посвященные распознаванию эмоций по речи. Chernykh et al. [38] предлагают алгоритм распознавания эмоций из речевого аудио с использованием рекуррентных нейронных сетей (RNN). Подход учитывает нейтральные фрагменты в эмоциональной речи, предсказывает последовательность эмоций в высказывании. Авторы заявляют об эффективности модели. Другие исследования посвящены распознаванию эмоций по изображению. Washington et al. [115] исследуют обучение моделей компьютерного зрения для распознавания эмоций по изображениям лиц. Они предлагают использовать «мягкие» вероятностные метки, полученные через краудсорсинг, для учета субъективности восприятия эмоций. Модели, обученные на «мягких» метках, лучше отражают реальное распределение мнений людей. Cîrneanu A.L. и соавторы [40] рассматривают новейшие разработки в области распознавания эмоций по лицевым выражениям с применением глубоких сверточных нейронных сетей. Pise et al. [91] рассматривают методы распознавания выражений лица (FER) с использованием глубокого обучения. Авторы выделяют два основных типа признаков: на основе положения органов лица и текстуры кожи, а также геометрические признаки, основанные на ключевых точках и движениях лица. Работа подчеркивает потенциал FER для обеспечения эффективного общения человека и машины. Даже общедоступные большие языковые модели (генеративный ИИ) пытаются использовать для распознавания эмоций. Elyoseph et al. [46] оценивают способность генеративных моделей ИИ (GPT-4, Google Bard), интерпретировать эмоции по визуальным и текстовым данным. GPT-4 «демонстрирует выдающиеся результаты» в распознавании эмоций по изображениям, сопоставимые с человеческими, в то время как Bard отстает в этой области. Оба ИИ «демонстрируют превосходные способности» в интерпретации эмоций по тексту. Не могли обойти исследователи такой распространённый биометрический метод как ЭЭГ для распознавания эмоций [20, 39, 66, 78, 85, 122, 130, 131]. Внедряются различные методы извлечения признаков и классификации для определения эмоционального состояния на основе ЭЭГ. Предлагаются гибридные модели, такие как FCAN-XGBoost [131], демонстрирующие высокую точность и эффективность. Cai J. и соавторы [30] обобщают применение МО с использованием ЭЭГ для распознавания эмоций. Авторы рассматривают основные этапы такого подхода: получение сигналов ЭЭГ, предобработка, извлечение эмоционально-значимых признаков и классификация эмоций с использованием различных алгоритмов машинного обучения. Другие исследования сосредоточены на применении методов глубокого обучения для распознавания эмоций по ЭЭГ. Jafari M. и соавторы [66] рассматривают различные подходы с использованием глубоких нейронных сетей, отмечая их способность автоматически извлекать информативные признаки из сигналов ЭЭГ. Аналогичный обзор представлен в работе [78] Liu H. и др., где описываются общие этапы алгоритма распознавания эмоций по ЭЭГ и оцениваются существующие методы. Ряд работ предлагает новые подходы к распознаванию эмоций на основе ЭЭГ. Например, в статье [122] Xia Y. и Liu Y. описывают модель, учитывающую индивидуальные различия пользователей, что позволяет повысить точность распознавания эмоций до 96,43% для бинарной классификации и 98,92% в сценариях с большими индивидуальными различиями. Zong J. и соавторы в работе [131] представили гибридную модель FCAN-XGBoost, достигающую точности 95,26% и 94,05% в разных наборах данных. Jung et al. [68] предлагают структуру МО для классификации эмоций, вызванных взаимодействием с виртуальной реальностью (VR). Используя ЭЭГ, они выявили различия в активности мозга при разных эмоциональных состояниях, таких как низкое возбуждение, высокое возбуждение и социальная тревожность. Их результаты подтверждают потенциал ЭЭГ для объективной оценки эмоционального состояния и могут быть полезны для исследований ПР, таких как ПТСР, ОКР и СДВГ. Yuvaraj et al. [126] сравнивают эффективность различных методов извлечения признаков из ЭЭГ для распознавания эмоций. Исследование показало, что «признаки фрактальной размерности, отражающие сложность сигнала ЭЭГ», являются наиболее информативными для различения валентности (положительная/отрицательная) и возбуждения (высокое/низкое). Отмечается связь между более высокой валентностью и возбуждением и меньшей фрактальной сложностью в лобных областях мозга. Taran and Bajaj [108] предлагают новый метод фильтрации ЭЭГ-сигналов для распознавания эмоций, основанный на двухэтапной обработке. Метод позволяет очистить сигнал от шума и выделить информативные признаки для классификации эмоций с помощью «машины опорных векторов». Авторы отчитываются о высокой точности распознавания эмоций, таких как счастье, страх, грусть и спокойствие. Даже ЭКГ находит своё место для оценки эмоционального состояния. Исследования [19, 36, 59, 60, 114] анализируют возможность использования ЭКГ для распознавания эмоций на основе вариабельности сердечного ритма (ВСР). Предлагаются различные методы извлечения признаков и классификации, подчеркивается потенциал ЭКГ-систем в связи с доступностью носимых устройств. Vazquez-Rodriguez et al. [112] предлагают подход к распознаванию эмоций, используя ЭКГ и модель Transformer. Авторы обосновывают выбор ЭКГ как источника данных, подчеркивая ее способность отражать изменения в активности вегетативной нервной системы, связанные с эмоциональными состояниями. Исследования [73, 123] рассматривают использование других физиологических сигналов, таких как мимика лица и сердечные тоны, для распознавания эмоций. Claret et al. [41] проводят систематический обзор литературы, посвященный автоматической классификации эмоций на основе сердечных тонов. Ими анализируется 27 исследований, посвященных использованию сердечных сигналов, полученных с помощью недорогих и носимых устройств, для распознавания эмоций. Работа подтверждает потенциал сердечных сигналов для распознавания эмоций, подчеркивает важность разработки доступных и ненавязчивых методов сбора данных. Ряд исследований посвящен распознаванию эмоций по интегрированным физиологическим сигналам, таким как электрокардиограмма (ЭКГ) и электроэнцефалограмма (ЭЭГ) с использованием мультимодального подхода. В работе [36] Chen Y.C. и соавторы показали, что с помощью искусственных нейронных сетей можно достичь точности более 75% в классификации четырех эмоций (удовольствие, счастье, страх, гнев) на основе данных вариабельности сердечного ритма, полученных с использованием браслета. В статье [80] Marín-Morales J. и др. разработали систему распознавания эмоций, использующую ЭЭГ и ЭКГ, которая достигает точности 75% для классификации уровней возбуждения и 71% для классификации валентности. Liang et al. [74] исследуют нейронные представления для распознавания эмоций по лицевым и телесным выражениям с использованием фМРТ и многомерного анализа паттернов. Существующие исследования демонстрируют впечатляющий прогресс в разработке систем распознавания эмоций с использованием ИИ. Мультимодальные подходы, объединяющие данные из различных источников позволяют повысить точность распознавания и учесть субъективность восприятия эмоций, как отмечают Monteith et al. [84]. Важно обеспечить конфиденциальность данных и защиту от дискриминации при использовании «Emotion AI», особенно для людей с психическими заболеваниями, необходимо участие психиатров в регулировании этих технологий [84]. Существуют ограничения каждого подхода. Например, ЭЭГ-сигналы могут быть подвержены артефактам и индивидуальным различиям, а распознавание эмоций по лицу может быть затруднено при наличии препятствий или выраженной индивидуальной вариабельности [84].

Обсуждение

Наблюдается явный рост публикаций, посвященных ИИ в психиатрии. Большинство работ опубликованы с 2021 по 2023 годы, что указывает на растущий интерес к теме. Исследования представлены авторами из разных регионов мира. Основные затрагиваемые темы: распознавание эмоций [7, 30, 38, 66, 74, 85, 112, 122, 123, 126, 130], диагностика ПР [8, 11, 14, 22, 35, 44, 53, 87, 92, 94, 104, 113, 125], прогнозирование терапевтического ответа [5, 10, 37, 117], этические аспекты ИИ [23, 28, 52, 57, 65, 81, 118, 119, 120]. Распознавание эмоций — одна из самых популярных тем, что отражает важность объективной оценки эмоционального состояния для диагностики и лечения ПР. Диагностика ПР с помощью ИИ также привлекает значительное внимание. Рост публикаций по теме ИИ в психиатрии свидетельствует о признании потенциала этих технологий для улучшения диагностики, лечения и прогнозирования ПР. Разнообразие тем, география исследований указывают на глобальный интерес к данной области. Продемонстрировано стремительное развитие и значительный потенциал применения ИИ в различных областях психиатрии: ИИ предлагает инновационные решения для повышения точности диагностики, персонализации и эффективности психиатрической помощи. Новые технологии на основе ИИ, открывают уникальные возможности для исследования и понимания психических процессов. ИИ способствует развитию телемедицины, онлайн-психотерапии, виртуальных ассистентов и других инструментов, делая психиатрическую помощь более доступной и удобной для пациентов. ИИ автоматизирует задачи, такие как систематические обзоры, анализ данных и построение моделей психических расстройств, что способствует развитию научных исследований и образовательных программ. Несмотря на многообещающие перспективы, внедрение ИИ в психиатрию сталкивается с определенными вызовами: необходимость в больших объемах данных, сложности интерпретации моделей ИИ, обеспечение прозрачности и объяснимости алгоритмов, предотвращение их предвзятости, недостаток знаний об ИИ среди клиницистов, необходимость адаптации к новым технологиям и изменение рабочих процессов, обеспечение конфиденциальности данных, ответственность за решения, принимаемые ИИ. Необходимо объединение усилий специалистов из области психиатрии, нейронаук, информатики и этики для разработки стандартов и руководств по применению ИИ. Необходимы образовательные программы для клиницистов и пациентов о возможностях и ограничениях ИИ, законодательное регулирование, обеспечение прозрачности, подотчетности, научной обоснованности ИИ-систем.

Заключение

У ИИ есть потенциал для преобразований в психиатрии — это инструмент будущего. Успешное внедрение требует комплексного подхода с учетом технических, этических и законодательных аспектов. Существующие модели ИИ не обладают смысловой целостностью, самовоспроизводимостью, иерархичностью, присущими человеческой психике, как психическому организму, а поэтому заменить её в настоящее время не могут, тем более в областях науки и практики, требующих высокой квалификации в принятии решений, каковой является психиатрия. ИИ в настоящее время не способен: понимать, интерпретировать нюансы человеческих эмоций, поведения, мышления; устанавливать глубокую эмпатическую связь с пациентом, принимать сложные этические решения, адаптироваться к уникальным потребностям каждого пациента, разрабатывать индивидуальные планы лечения. Но ИИ может быть ценным помощником клинического психиатра в мониторинге состояния пациентов, автоматизации рутинных задач, в научной психиатрии для обработки и анализа больших данных. В будущем ИИ может стать союзником психиатра, но не его конкурентом. Дальнейшие исследования и активное сотрудничество специалистов различных областей позволят раскрыть потенциал ИИ для улучшения психического здоровья.

Благодарности: исследование проведено без спонсорской поддержки

Конфликт интересов: автор заявляет об отсутствии конфликта интересов

_{Сведения об авторе: Богданов Ярослав Вячеславович, врач психиатр высшей категории, стаж работы 27 лет, заведующий приёмным отделением ГБУЗ Кузбасской клинической психиатрической больницы; 650036, Кемеровская область, город Кемерово, Волгоградская ул., д.41, e-mail: 05-guz-kokpb@kuzdrav.ru}

Литература / References

1. Богданов Я.В. Возможности искусственного интеллекта в психиатрии: анализ и перспективы. В сборнике: Четвертые Корниловские чтения. Клинический полиморфизм экзогенно-органических психических расстройств. Диагностика, лечение и профилактика. Сборник тезисов межрегиональной научно-практической конференции, посвященной памяти профессора А.А. Корнилова. (Кемерово, 18 октября 2023 г.) / под ред. Н.А. Бохана. Томск, Кемерово. 2023.

Bogdanov Ya.V. Vozmozhnosti iskusstvennogo intellekta v psikhiatrii: analiz i perspektivy. V sbornike: Chetvertyye Kornilovskiye chteniya. Klinicheskiy polimorfizm ekzogenno-organicheskikh psikhicheskikh rasstroystv. Diagnostika, lecheniye i profilaktika. Sbornik tezisov mezhregional′noy nauchno-prakticheskoy konferentsii, posvyashchennoy pamyati professora A.A. Kornilova. (Kemerovo, 18 oktyabrya 2023 g.) / pod red. N.A. Bokhana. Tomsk, Kemerovo. 2023. (In Russ.).

2. Богданов Я.В. Искусственный интеллект в психиатрии: современные достижения. В сборнике: Четвертые Корниловские чтения. Клинический полиморфизм экзогенно-органических психических расстройств. Диагностика, лечение и профилактика. Сборник тезисов межрегиональной научно-практической конференции, посвященной памяти профессора А.А. Корнилова. (Кемерово, 18 октября 2023 г.) / под ред. Н.А. Бохана. Томск, Кемерово. 2023.

Bogdanov Ya.V. Iskusstvennyy intellekt v psikhiatrii: sovremennyye dostizheniya. V sbornike: Chetvertyye Kornilovskiye chteniya. Klinicheskiy polimorfizm ekzogenno-organicheskikh psikhicheskikh rasstroystv. Diagnostika, lecheniye i profilaktika. Sbornik tezisov mezhregional′noy nauchno-prakticheskoy konferentsii, posvyashchennoy pamyati professora A.A. Kornilova. (Kemerovo, 18 oktyabrya 2023 g.) / pod red. N.A. Bokhana. Tomsk, Kemerovo. 2023. (In Russ.).

3. Богданов Я.В. Искусственный интеллект в расшифровке мыслей и образов: от нейровизуализации к психовизуализации. Перспективы внедрения в клиническую психиатрию и психологию. В сборнике: Четвертые Корниловские чтения. Клинический полиморфизм экзогенно-органических психических расстройств. Диагностика, лечение и профилактика. Сборник тезисов межрегиональной научно-практической конференции, посвященной памяти профессора А.А. Корнилова. (Кемерово, 18 октября 2023 г.) / под ред. Н.А. Бохана. Томск, Кемерово. 2023.

Bogdanov Ya.V. Iskusstvennyy intellekt v rasshifrovke mysley i obrazov: ot neyrovizualizatsii k psikhovizualizatsii. Perspektivy vnedreniya v klinicheskuyu psikhiatriyu i psikhologiyu. V sbornike: Chetvertyye Kornilovskiye chteniya. Klinicheskiy polimorfizm ekzogenno-organicheskikh psikhicheskikh rasstroystv. Diagnostika, lecheniye i profilaktika. Sbornik tezisov mezhregional′noy nauchno-prakticheskoy konferentsii, posvyashchennoy pamyati professora A.A. Kornilova. (Kemerovo, 18 oktyabrya 2023 g.) / pod red. N.A. Bokhana. Tomsk, Kemerovo. 2023. (In Russ.).

4. Богданов Я.В. Риски и проблемы использования искусственного интеллекта в психиатрии. В сборнике: Четвертые Корниловские чтения. Клинический полиморфизм экзогенно-органических психических расстройств. Диагностика, лечение и профилактика. Сборник тезисов межрегиональной научно-практической конференции, посвященной памяти профессора А.А. Корнилова. (Кемерово, 18 октября 2023 г.) / под ред. Н.А. Бохана. Томск, Кемерово. 2023.

Bogdanov Ya.V. Riski i problemy ispol′zovaniya iskusstvennogo intellekta v psikhiatrii. V sbornike: Chetvertyye Kornilovskiye chteniya. Klinicheskiy polimorfizm ekzogenno-organicheskikh psikhicheskikh rasstroystv. Diagnostika, lecheniye i profilaktika. Sbornik tezisov mezhregional′noy nauchno-prakticheskoy konferentsii, posvyashchennoy pamyati professora A.A. Kornilova. (Kemerovo, 18 oktyabrya 2023 g.) / pod red. N.A. Bokhana. Tomsk, Kemerovo. 2023. (In Russ.).

5. Бохан Н.А., Лебедева В.Ф., Гуткевич Е.В., Владимирова С.В. Использование искусственного интеллекта для генерации текста, oписывающего модель формирования антирецидивного поведения у лиц с психическими и аддиктивными расстройствами. В сборнике: Современные проблемы биологической психиатрии и наркологии. Сборник тезисов V Российской конференции с международным участием. Томск: Интегральный переплет. 2023.

Bokhan N.A., Lebedeva V.F., Gutkevich E.V., Vladimirova S.V. Ispol′zovaniye iskusstvennogo intellekta dlya generatsii teksta, opisyvayushchego model′ formirovaniya antiretsidivnogo povedeniya u lits s psikhicheskimi i addiktivnymi rasstroystvami. V sbornike: Sovremennyye problemy biologicheskoy psikhiatrii i narkologii. Sbornik tezisov V Rossiyskoy konferentsii s mezhdunarodnym uchastiyem. Tomsk: Integral′nyy pereplet. 2023. (In Russ.).

6. Булгакова С.В., Романчук П.И., Романчук Н.П., Пятин В.Ф., Романов Д.В., Волобуев А.Н. Болезнь Альцгеймера и искусственный интеллект: долговременная персонифицированная реабилитация и медико-социальное сопровождение. Бюллетень науки и практики. 2019;5(11):136-175.

Bulgakova SV, Romanchuk PI, Romanchuk NP, Pyatin VF, Romanov DV, Volobuev AN. Alzheimer’s disease and artificial intelligence: long-term personalized rehabilitation and medical and social support. Byulleten’ nauki i praktiki. 2019;5(11):136-175. (In Russ.). https://doi.org/10.33619/2414-2948/48/1.

7. Васильченко К.Ф., Чумаков Е.М. Современное положение, вызовы и перспективы развития вычислительной психиатрии: нарративный обзор. Consortium Psychiatricum. 2023;4(3):CP11244.

Vasilchenko K, Chumakov E. Current status, challenges and future prospects in computational psychiatry: a narrative review. Consortium Psychiatricum. 2023;4(3):CP11244. (In Russ.). https://doi.org/10.17816/CP1124.

8. Гашкаримов В.Р., Султанова Р.И., Ефремов И.С., Асадуллин А.Р. Использование методов машинного обучения в диагностике и прогнозировании клинических особенностей шизофрении: нарративный обзор литературы. Consortium Psychiatricum. 2023;4(3):CP11030.

Gashkarimov VR, Sultanova RI, Efremov IS, Asadullin AR. Machine learning techniques in diagnostics and prediction of the clinical features of schizophrenia: a narrative review. Consortium Psychiatricum. 2023;4(3):CP11030. (In Russ.). https://doi.org/10.17816/CP11030.

9. Иванец Н.Н., Кинкулькина М.А., Тихонова Ю.Г. Цифровые технологии в сфере психического здоровья: проблемы и перспективы. Национальное здравоохранение. 2023;4(2):5-14.

Ivanets NN, Kinkulkina MA, Tikhonova YuG. Digital interventions in mental health: challenges and Perspectives. Nacional’noe zdravooxranenie. 2023;4(2):5-14. (In Russ.). https://doi.org/10.47093/2713-069X.2023.4.2.5-1.

10. Изнак А.Ф., Изнак Е.В. ЭЭГ-предикторы терапевтического ответа в психиатрии. Журнал неврологии и психиатрии им. С.С. Корсакова. 2021;121(4):145-151.

Iznak AF, Iznak EV. EEG predictors of therapeutic response in psychiatry. Zhurnal nevrologii i psihiatrii im. S.S. Korsakova. 2021;121(4):145-151. (In Russ.). https://doi.org/10.17116/jnevro202112104114.

11. Корнетов А.Н., Старикова Е.Г., Каверина И.С., Стариков Ю.В., Солдатов А.А., Потапова Н.Е., Толмачев И.В. Подходы к автоматизации диагностики психического здоровья операторов ряда профессий. Психиатрия, психотерапия и клиническая психология. 2023;14(1):95-104.

Kornetov AN, Starikova EG, Kaverina IS, Starikov IuV, Soldatov AA, Potapova NE, Tolmachev IV. Approaches to Diagnostic Automation for Mental Health in Operators of Certain Occupations. Psixiatriya, psixoterapiya i klinicheskaya psixologiya. 2023;14(1):95-104. (In Russ.). https://doi.org/10.34883/PI.2023.14.1.00.

12. Лубянко И.А., Колесникова Е.Е., Булейко А.А., Перехов А.Я., Мрыхин В.В., Ковалев А.И., Крючкова М.Н., Сидоров А.А., Осадший Ю.Ю., Дьяченко А.В., Мрыхина В.В. ИИ психиатрия. МКБ-11: гимн или реквием психиатрии? Материалы российской научной конференции. Ростов-на-Дону: Экспо-Медиа. 2022.

Lubyanko I.A., Kolesnikova E.E., Buleyko A.A., Perekhov Ay.A., Mrykhin V.V., Kovalev A.I., Kryuchkova M.N., Sidorov A.A., Osadshiy Yu.Yu., D′yachenko A.V., Mrykhina V.V. II psikhiatriya. MKB-11: gimn ili rekviyem psikhiatrii? Materialy rossiyskoy nauchnoy konferentsii. Rostov-na-Donu: Ekspo-Media. 2022. (In Russ.).

13. Незнанов Н.Г. Современные технологии в психиатрии: первые результаты, проблемы и перспективы. Эффективная фармакотерапия. 2021;17(22):42-44.

Neznanov NG. Modern technologies in psychiatry: first results, problems and prospects. Effektivnaya farmakoterapiya. 2021;17(22):42-44. (In Russ.).

14. Подоплелова Е.С. Анализ методов искусственного интеллекта, применяемых для решения задач психиатрии. Известия ЮФУ. Технические науки. 2022;226(2):180-189. Podoplelova ES. Analysis of artificial intelligence methods applied to solving psychiatry problems. Izvestiya YUFU. Texnicheskie nauki. 2022;226(2):180-189. (In Russ.). https://doi.org/10.18522/2311-3103-2022-2-180-18.

15. Рыбальский М.И. Галлюцинаторные феномены и компьютерная диагностика (пробная экскурсия психиатра в область искусственного интеллекта). М.: Медицина. 1992. Rybal′skiy M.I. Gallyutsinatornyye fenomeny i komp′yuternaya diagnostika (probnaya ekskursiya psikhiatra v oblast′ iskusstvennogo intellekta). M.: Meditsina. 1992. (In Russ.).

16. Саху Д.П., Нараян Б.Н., Санти Н.С. Будущее психиатрии с искусственным интеллектом: может ли союз человека и машины перевернуть парадигму? Consortium Psychiatricum. 2023;4(3):CP13626.

Sahoo JP, Narayan BN, Santi NS. The future of psychiatry with artificial intelligence: can the man-machine duo redefine the tenets? Consortium Psychiatricum. 2023;4(3):CP13626. (In Russ.). https://doi.org/10.17816/CP1362.

17. Шестакова Н.В. Возможности искусственного интеллекта для когнитивно-поведенческой терапии. В сборнике: Математика и математическое моделирование. Сборник материалов XV Всероссийской молодёжной научно-инновационной школы. Саров: Интерконтакт. 2021.

Shestakova N.V. Vozmozhnosti iskusstvennogo intellekta dlya kognitivno-povedencheskoj terapii. V sbornike: Matematika i matematicheskoe modelirovanie. Sbornik materialov XV Vserossijskoj molodyozhnoj nauchno-innovacionnoj shkoly’. Sarov: Interkontakt. 2021. (In Russ.).

18. Gorelik AJ, Gorelik MG, Ridout KK, Nimarko AF, Peisch V, Kuramkote SR, Low M, Pan T, Singh S, Nrusimha A, Singh MK. Evaluating efficiency and accuracy of deep-learning-based approaches on study selection for psychiatry systematic reviews. Nat Mental Health. 2023;1:623-632. https://doi.org/10.1038/s44220-023-00109-w.

19. Alam A, Urooj S, Ansari AQ. Design and Development of a Non-Contact ECG-Based Human Emotion Recognition System Using SVM and RF Classifiers. Diagnostics (Basel). 2023;13(12):2097. https://doi.org/10.3390/diagnostics1312209.

20. Algarni M, Saeed F, Al-Hadhrami T, Ghabban F, Al-Sarem M. Deep Learning-Based Approach for Emotion Recognition Using Electroencephalography (EEG) Signals Using Bi-Directional Long Short-Term Memory (Bi-LSTM). Sensors (Basel). 2022;22(8):2976. https://doi.org/10.3390/s2208297.

21. Allen S. Artificial Intelligence and the Future of Psychiatry. IEEE Pulse. 2020;11(3):2-6. https://doi.org/10.1109/MPULS.2020.299365.

22. Aslan Z, Akin M. A deep learning approach in automated detection of schizophrenia using scalogram images of EEG signals. Phys Eng Sci Med. 2022;45(1):83-96. https://doi.org/10.1007/s13246-021-01083-.

23. Ayhan Y. The Impact of Artificial Intelligence on Psychiatry: Benefits and Concerns-An assay from a disputed ‘author’. Turk Psikiyatri Derg. 2023;34(2):65-67. https://doi.org/10.5080/u2736.

24. Banerjee M, Chiew D, Patel KT, Johns I, Chappell D, Linton N, Cole GD, Francis DP, Szram J, Ross J, Zaman S. The impact of artificial intelligence on clinical education: perceptions of postgraduate trainee doctors in London (UK) and recommendations for trainers. BMC Med Educ. 2021;21(1):429. https://doi.org/10.1186/s12909-021-02870-.

25. Bickman L. Improving Mental Health Services: A 50-Year Journey from Randomized Experiments to Artificial Intelligence and Precision Mental Health. Adm Policy Ment Health. 2020;47(5):795-843. https://doi.org/10.1007/s10488-020-01065-.

26. Blease C, Locher C, Leon-Carlyle M, Doraiswamy M. Artificial intelligence and the future of psychiatry: Qualitative findings from a global physician survey. Digit Health. 2020;6:2055207620968355. https://doi.org/10.1177/205520762096835.

27. Boucher EM, Harake NR, Ward HE, Stoeckl SE, Vargas J, Minkel J, Parks AC, Zilca R. Artificially intelligent chatbots in digital mental health interventions: a review. Expert Rev Med Devices. 2021;18(sup1):37-49. https://doi.org/10.1080/17434440.2021.201320.

28. Bouhouita-Guermech S, Gogognon P, Bélisle-Pipon JC. Specific challenges posed by artificial intelligence in research ethics. Front Artif Intell. 2023;6:1149082. https://doi.org/10.3389/frai.2023.114908.

29. Brunn M, Diefenbacher A, Courtet P, Genieys W. The Future is Knocking: How Artificial Intelligence Will Fundamentally Change Psychiatry. Acad Psychiatry. 2020;44(4):461-466. https://doi.org/10.1007/s40596-020-01243-.

39. Cai J, Xiao R, Cui W, Zhang S, Liu G. Application of Electroencephalography-Based Machine Learning in Emotion Recognition: A Review. Front Syst Neurosci. 2021;15:729707. https://doi.org/10.3389/fnsys.2021.72970.

31. Cao H, Meyer-Lindenberg A, Schwarz E. Comparative Evaluation of Machine Learning Strategies for Analyzing Big Data in Psychiatry. Int J Mol Sci. 2018;19(11):3387. https://doi.org/10.3390/ijms1911338.

32. Castellani U, Rossato E, Murino V, Bellani M, Rambaldelli G, Perlini C, Tomelleri L, Tansella M, Brambilla P. Classification of schizophrenia using feature-based morphometry. J Neural Transm (Vienna). 2012;119(3):395-404. https://doi.org/10.1007/s00702-011-0693-.

33. Cearns M, Hahn T, Baune BT. Recommendations and future directions for supervised machine learning in psychiatry. Transl Psychiatry. 2019;9(1):271. https://doi.org/10.1038/s41398-019-0607-2

34. Ceccarelli F, Mahmoud M. Multimodal temporal machine learning for Bipolar Disorder and Depression Recognition. Pattern Anal Applic. 2022;25:493-504. https://doi.org/10.1007/s10044-021-01001-y.

35. Chen B, Jiao Z, Shen T, Fan R, Chen Y, Xu Z. Early antidepressant treatment response prediction in major depression using clinical and TPH2 DNA methylation features based on machine learning approaches. BMC Psychiatry. 2023;23(1):299. https://doi.org/10.1186/s12888-023-04791-.

36. Chen YC, Hsiao CC, Zheng WD, Lee RG, Lin R. Artificial neural networks-based classification of emotions using wristband heart rate monitor data. Medicine (Baltimore). 2019;98(33):e16863. https://doi.org/10.1097/MD.000000000001686.

37. Chen ZS, Kulkarni PP, Galatzer-Levy IR, Bigio B, Nasca C, Zhang Y. Modern views of machine learning for precision psychiatry. Patterns (N Y). 2022;3(11):100602. https://doi.org/10.1016/j.patter.2022.10060.

38. Chernykh V, Sterling G, Prihodko P. Emotion Recognition From Speech With Recurrent Neural Networks. arXiv:1701.08071v1 [cs.CL]. 2017. https://doi.org/10.48550/arXiv.1701.0807.

39. Cimtay Y, Ekmekcioglu E. Investigating the Use of Pretrained Convolutional Neural Network on Cross-Subject and Cross-Dataset EEG Emotion Recognition. Sensors (Basel). 2020;20(7):2034. https://doi.org/10.3390/s2007203.

40. Cîrneanu AL, Popescu D, Iordache D. New Trends in Emotion Recognition Using Image Analysis by Neural Networks, A Systematic Review. Sensors (Basel). 2023;23(16):7092. https://doi.org/10.3390/s2316709.

41. Claret AF, Casali KR, Cunha TS, Moraes MC. Automatic Classification of Emotions Based on Cardiac Signals: A Systematic Literature Review. Ann Biomed Eng. 2023;51(11):2393-2414. https://doi.org/10.1007/s10439-023-03341-8 

42. De Lacy N, Ramshaw MJ, McCauley E, Kerr KF, Kaufman J, Nathan Kutz J. Predicting individual cases of major adolescent psychiatric conditions with artificial intelligence. Transl Psychiatry. 2023;13(1):314. https://doi.org/10.1038/s41398-023-02599-.

43. Doraiswamy PM, Blease C, Bodner K. Artificial intelligence and the future of psychiatry: Insights from a global physician survey. Artif Intell Med. 2020;102:101753. https://doi.org/10.1016/j.artmed.2019.10175.

44. Duan L, Duan H, Qiao Y, Sha S, Qi S, Zhang X, Huang J, Huang X, Wang C. Machine Learning Approaches for MDD Detection and Emotion Decoding Using EEG Signals. Front Hum Neurosci. 2020;14:284. https://doi.org/10.3389/fnhum.2020.0028.

45. Eitel F, Schulz MA, Seiler M, Walter H, Ritter K. Promises and pitfalls of deep neural networks in neuroimaging-based psychiatric research. Exp Neurol. 2021;339:113608. https://doi.org/10.1016/j.expneurol.2021.11360.

46. Elyoseph Z, Refoua E, Asraf K, Lvovsky M, Shimoni Y, Hadar-Shoval D. Capacity of Generative AI to Interpret Human Emotions From Visual and Textual Data: Pilot Evaluation Study. JMIR Ment Health. 2024;11:e54369. https://doi.org/10.2196/5436.

47. Espejo G, Reiner W, Wenzinger M. Exploring the Role of Artificial Intelligence in Mental Healthcare: Progress, Pitfalls, and Promises. Cureus. 2023;15(9):e44748. https://doi.org/10.7759/cureus.4474.

48. Espejo GD. Artificial Intelligence: the Next Frontier in Psychiatric Treatment and Education. Acad Psychiatry. 2023;47(4):437-438. https://doi.org/10.1007/s40596-023-01833-.

49. Espinola CW, Gomes JC, Pereira JMS, Dos Santos WP. Detection of major depressive disorder using vocal acoustic analysis and machine learning-an exploratory study. Res Biomed Eng. 2021;37:53-64. https://doi.org/10.1007/s42600-020-00100-.

50. Ettman CK, Galea S. The Potential Influence of AI on Population Mental Health. JMIR Ment Health. 2023;10:e49936. https://doi.org/10.2196/4993.

51. Fakhoury M. Artificial Intelligence in Psychiatry. Adv Exp Med Biol. 2019;1192:119-125. https://doi.org/10.1007/978-981-32-9721-0_.

52. Fiske A, Henningsen P, Buyx A. Your Robot Therapist Will See You Now: Ethical Implications of Embodied Artificial Intelligence in Psychiatry, Psychology, and Psychotherapy. J Med Internet Res. 2019;21(5):e13216. https://doi.org/10.2196/1321.

53. Fu J, Yang S, He F, He L, Li Y, Zhang J, Xiong X. Sch-net: a deep learning architecture for automatic detection of schizophrenia. Biomed Eng Online. 2021;20(1):75. https://doi.org/10.1186/s12938-021-00915-.

54. Gallo S, El-Gazzar A, Zhutovsky P, et al. Functional connectivity signatures of major depressive disorder: machine learning analysis of two multicenter neuroimaging studies. Mol Psychiatry. 2023;28(7):3013-3022. https://doi.org/10.1038/s41380-023-01977-.

55. Gaziv G, Beliy R, Granot N, Hoogi A, Strappini F, Golan T, Irani M. Self-supervised Natural Image Reconstruction and Large-scale Semantic Classification from Brain Activity. Neuroimage. 2022;254:119121. https://doi.org/10.1016/j.neuroimage.2022.11912.

56. Germine L, Strong RW, Singh S, Sliwinski MJ. Toward dynamic phenotypes and the scalable measurement of human behavior. Neuropsychopharmacology. 2021;46(1):209-216. https://doi.org/10.1038/s41386-020-0757-.

57. Gooding P, Kariotis T. Ethics and Law in Research on Algorithmic and Data-Driven Technology in Mental Health Care: Scoping Review. JMIR Ment Health. 2021;8(6):e24668. https://doi.org/10.2196/2466.

58. Graham S, Depp C, Lee EE, Nebeker C, Tu X, Kim HC, Jeste DV. Artificial Intelligence for Mental Health and Mental Illnesses: an Overview. Curr Psychiatry Rep. 2019;21(11):116. https://doi.org/10.1007/s11920-019-1094-0 

59. Hasnul MA, Ab Aziz NA, Abd Aziz A. Augmenting ECG Data with Multiple Filters for a Better Emotion Recognition System. Arab J Sci Eng. 2023;48:10313–10334. https://doi.org/10.1007/s13369-022-07585-9 

60. Hasnul MA, Aziz NAA, Alelyani S, Mohana M, Aziz AA. Electrocardiogram-Based Emotion Recognition Systems and Their Applications in Healthcare-A Review. Sensors (Basel). 2021;21(15):5015. https://doi.org/10.3390/s2115501.

61. Ho JK, Horikawa T, Majima K, Cheng F, Kamitani Y. Inter-individual deep image reconstruction via hierarchical neural code conversion. Neuroimage. 2023;271:120007. https://doi.org/10.1016/j.neuroimage.2023.12000.

62. Hsin H, Fromer M, Peterson B, Walter C, Fleck M, Campbell A, Varghese P, Califf R. Transforming Psychiatry into Data-Driven Medicine with Digital Measurement Tools. NPJ Digit Med. 2018;1:37. https://doi.org/10.1038/s41746-018-0046-.

63. Huang W, Yan H, Wang C, Li J, Zuo Z, Zhang J, Shen Z, Chen H. Perception-to-Image: Reconstructing Natural Images from the Brain Activity of Visual Perception. Ann Biomed Eng. 2020;48(9):2323-2332. https://doi.org/10.1007/s10439-020-02502-.

64. Huang W, Yan H, Wang C, Yang X, Li J, Zuo Z, Zhang J, Chen H. Deep Natural Image Reconstruction from Human Brain Activity Based on Conditional Progressively Growing Generative Adversarial Networks. Neurosci Bull. 2021;37(3):369-379. https://doi.org/10.1007/s12264-020-00613-.

65. Jacobson NC, Bentley KH, Walton A, Wang SB, Fortgang RG, Millner AJ, Coombs G 3rd, Rodman AM, Coppersmith DDL. Ethical dilemmas posed by mobile health and machine learning in psychiatry research. Bull World Health Organ. 2020;98(4):270-276. https://doi.org/10.2471/BLT.19.23710.

66. Jafari M, Shoeibi A, Khodatars M, Bagherzadeh S, Shalbaf A, García DL, Gorriz JM, Acharya UR. Emotion recognition in EEG signals using deep learning methods: A review. Comput Biol Med. 2023;165:107450. https://doi.org/10.1016/j.compbiomed.2023.10745.

67. Jin KW, Li Q, Xie Y, Xiao G. Artificial intelligence in mental healthcare: an overview and future perspectives. Br J Radiol. 2023;96(1150):20230213. https://doi.org/10.1259/bjr.2023021.

68. Jung D, Choi J, Kim J, Cho S, Han S. EEG-Based Identification of Emotional Neural State Evoked by Virtual Environment Interaction. Int J Environ Res Public Health. 2022;19(4):2158. https://doi.org/10.3390/ijerph1904215.

69. Kargbo RB. Pioneering Changes in Psychiatry: Biomarkers, Psychedelics, and AI. ACS Med Chem Lett. 2023;14(9):1134-1137. https://doi.org/10.1021/acsmedchemlett.3c0033.

70. Kim HC, Bandettini PA, Lee JH. Deep neural network predicts emotional responses of the human brain from functional magnetic resonance imaging. Neuroimage. 2019;186:607-627. https://doi.org/10.1016/j.neuroimage.2018.10.05.

71. Koide-Majima N, Nishimoto S, Majima K. Mental image reconstruction from human brain activity: Neural decoding of mental imagery via deep neural network-based Bayesian estimation. Neural Netw. 2024;170:349-363. https://doi.org/10.1016/j.neunet.2023.11.02.

72. Lee EE, Torous J, De Choudhury M, Depp CA, Graham SA, Kim HC, Paulus MP, Krystal JH, Jeste DV. Artificial Intelligence for Mental Health Care: Clinical Applications, Barriers, Facilitators, and Artificial Wisdom. Biol Psychiatry Cogn Neurosci Neuroimaging. 2021;6(9):856-864. https://doi.org/10.1016/j.bpsc.2021.02.00.

73. Lee JP, Jang H, Jang Y, Song H, Lee S, Lee PS, Kim J. Encoding of multi-modal emotional information via personalized skin-integrated wireless facial interface. Nat Commun. 2024;15(1):530. https://doi.org/10.1038/s41467-023-44673-.

74. Liang Y, Liu B, Ji J, Li X. Network Representations of Facial and Bodily Expressions: Evidence From Multivariate Connectivity Pattern Classification. Front Neurosci. 2019;13:1111. https://doi.org/10.3389/fnins.2019.01111 .

75. Liang Y, Liu B. Cross-Subject Commonality of Emotion Representations in Dorsal Motion-Sensitive Areas. Front Neurosci. 2020;14:567797. https://doi.org/10.3389/fnins.2020.56779.

76. Lin E, Lin CH, Lane HY. Precision Psychiatry Applications with Pharmacogenomics: Artificial Intelligence and Machine Learning Approaches. Int J Mol Sci. 2020;21(3):969. https://doi.org/10.3390/ijms2103096.

77. Liu C, Wang Y, Sun X, Wang Y, Fang F. Decoding six basic emotions from brain functional connectivity patterns. Sci China Life Sci. 2023;66(4):835-847. https://doi.org/10.1007/s11427-022-2206-3 

78. Liu H, Zhang Y, Li Y, Kong X. Review on Emotion Recognition Based on Electroencephalography. Front Comput Neurosci. 2021;15:758212. https://doi.org/10.3389/fncom.2021.75821.

79. Liu Y. Depression clinical detection model based on social media: a federated deep learning approach. The Journal of Supercomputing. 2024:80(6);7931-7954. https://doi.org/10.1007/s11227-023-05754-7.

80. Marín-Morales J, Higuera-Trujillo JL, Greco A, Guixeres J, Llinares C, Scilingo EP, Alcañiz M, Valenza G. Affective computing in virtual reality: emotion recognition from brain and heartbeat dynamics using wearable sensors. Sci Rep. 2018;8(1):13657. https://doi.org/10.1038/s41598-018-32063-4.

81. McCradden M, Hui K, Buchman DZ. Evidence, ethics and the promise of artificial intelligence in psychiatry. J Med Ethics. 2023;49(8):573-579. https://doi.org/10.1136/jme-2022-10844.

82. McStay A. Replika in the Metaverse: the moral problem with empathy in ‘It from Bit’. AI Ethics. 2022;3:1433–1445. https://doi.org/10.1007/s43681-022-00252-.

83. Monteith S, Glenn T, Geddes J, Whybrow PC, Achtyes E, Bauer M. Expectations for Artificial Intelligence (AI) in Psychiatry. Curr Psychiatry Rep. 2022;24(11):709-721. https://doi.org/10.1007/s11920-022-01378-.

84. Monteith S, Glenn T, Geddes J, Whybrow PC, Bauer M. Commercial Use of Emotion Artificial Intelligence (AI): Implications for Psychiatry. Curr Psychiatry Rep. 2022;24(3):203-211. https://doi.org/10.1007/s11920-022-01330-.

85. Muhammad F, Hussain M, Aboalsamh H. A Bimodal Emotion Recognition Approach through the Fusion of Electroencephalography and Facial Sequences. Diagnostics (Basel). 2023;13(5):977. https://doi.org/10.3390/diagnostics1305097.

86. O’Dell B, Stevens K, Tomlinson A, Singh I, Cipriani A. Building trust in artificial intelligence and new technologies in mental health. Evid Based Ment Health. 2022;25(2):45-46. https://doi.org/10.1136/ebmental-2022-30048.

87. Oh SL, Vicnesh J, Ciaccio EJ, Yuvaraj R, Acharya UR. Deep Convolutional Neural Network Model for Automated Diagnosis of Schizophrenia Using EEG Signals. Appl Sci. 2019;9:2870. https://doi.org/10.3390/app914287.

88. Pak TK, Montelongo Hernandez CE, Do CN. Artificial Intelligence in Psychiatry: Threat or Blessing? Acad Psychiatry. 2023;47(6):587-588. https://doi.org/10.1007/s40596-023-01874-.

89. Paulus MP, Huys QJ, Maia TV. A Roadmap for the Development of Applied Computational Psychiatry. Biol Psychiatry Cogn Neurosci Neuroimaging. 2016;1(5):386-392. https://doi.org/10.1016/j.bpsc.2016.05.00.

90. Pham KT, Nabizadeh A, Selek S. Artificial Intelligence and Chatbots in Psychiatry. Psychiatr Q. 2022;93(1):249-253. https://doi.org/10.1007/s11126-022-09973-.

91. Pise AA, Alqahtani MA, Verma P, Purushothama K, Karras DA, Prathibha S, Halifa A. Methods for Facial Expression Recognition with Applications in Challenging Situations. Comput Intell Neurosci. 2022;2022:9261438. https://doi.org/10.1155/2022/926143.

92. Quaak M, van de Mortel L, Thomas RM, van Wingen G. Deep learning applications for the classification of psychiatric disorders using neuroimaging data: Systematic review and meta-analysis. Neuroimage Clin. 2021;30:102584. https://doi.org/10.1016/j.nicl.2021.10258.

93. Rakhimberdina Z, Jodelet Q, Liu X, Murata T. Natural Image Reconstruction From fMRI Using Deep Learning: A Survey. Front Neurosci. 2021;15:795488. https://doi.org/10.3389/fnins.2021.79548.

94. Ramesh N, Ghodsi Y, Bolhasani H. A Survey on the Role of Artificial Intelligence in the Prediction and Diagnosis of Schizophrenia. 2023. arXiv:2305.14370 [q-bio.NC]. https://doi.org/10.48550/arXiv.2305.1437.

95. Ray A, Bhardwaj A, Malik YK, Singh S, Gupta R. Artificial intelligence and Psychiatry: An overview. Asian J Psychiatr. 2022;70:103021. https://doi.org/10.1016/j.ajp.2022.10302.

96. Rocheteau E. On the role of artificial intelligence in psychiatry. Br J Psychiatry. 2023;222(2):54-57. https://doi.org/10.1192/bjp.2022.13.

97. Rogan J, Bucci S, Firth J. Health Care Professionals’ Views on the Use of Passive Sensing, AI, and Machine Learning in Mental Health Care: Systematic Review With Meta-Synthesis. JMIR Ment Health. 2024;11:e49577. https://doi.org/10.2196/4957.

98. Sahoo JP, Narayan BN, Santi NS. The Future of Psychiatry with Artificial Intelligence: Can the Man-Machine Duo Redefine the Tenets? Consort Psychiatr. 2023;4(3):72-76. https://doi.org/10.17816/CP13626.

99. Schnell K, Stein M. Diagnostik und Therapie rund um die Uhr? Künstliche Intelligenz als Herausforderung und Chance für Psychiatrie und Psychotherapie [Diagnostics and Therapy 24/7? Artificial Intelligence as a Challenge and Opportunity in Psychiatry and Psychotherapy]. Psychiatr Prax. 2021;48(S 01):S5-S10. (In German). https://doi.org/10.1055/a-1364-556.

100. Servan-Schreiber D. Artificial intelligence and psychiatry. J Nerv Ment Dis. 1986;174(4):191-202. https://doi.org/10.1097/00005053-198604000-0000.

101. Shen G, Dwivedi K, Majima K, Horikawa T, Kamitani Y. End-to-End Deep Image Reconstruction From Human Brain Activity. Front Comput Neurosci. 2019;13:21. https://doi.org/10.3389/fncom.2019.0002.

102. Shen G, Horikawa T, Majima K, Kamitani Y. Deep image reconstruction from human brain activity. PLoS Comput Biol. 2019;15(1):e1006633. https://doi.org/10.1371/journal.pcbi.100663.

103. Shravana Kumar C. Artificial Intelligence in Forensic Science. Forensic Sci Add Res. 2018;2(5):182. https://doi.org/10.31031/FSAR.2018.03.00055.

104. Squires M, Tao X, Elangovan S, Gururajan R, Zhou X, Acharya UR, Li Y. Deep learning and machine learning in psychiatry: a survey of current progress in depression detection, diagnosis and treatment. Brain Inform. 2023;10(1):10. https://doi.org/10.1186/s40708-023-00188-6 

105. Starke G, Poppe C. Karl Jaspers and artificial neural nets: on the relation of explaining and understanding artificial intelligence in medicine. Ethics Inf Technol. 2022;24:26. https://doi.org/10.1007/s10676-022-09650-.

106. Tai AMY, Albuquerque A, Carmona NE, Subramanieapillai M, Cha DS, Sheko M, Lee Y, Mansur R, McIntyre RS. Machine learning and big data: Implications for disease modeling and therapeutic discovery in psychiatry. Artif Intell Med. 2019;99:101704. https://doi.org/10.1016/j.artmed.2019.10170.

107. Tandon N, Tandon R. Machine learning in psychiatry- standards and guidelines. Asian J Psychiatr. 2019;44:A1-A4. https://doi.org/10.1016/j.ajp.2019.09.00.

108. Taran S, Bajaj V. Emotion recognition from single-channel EEG signals using a two-stage correlation and instantaneous frequency-based filtering method. Comput Methods Programs Biomed. 2019;173:157-165. https://doi.org/10.1016/j.cmpb.2019.03.01.

109. Tejavibulya L, Rolison M, Gao S, Liang Q, Peterson H, Dadashkarimi J, Farruggia MC, Hahn CA, Noble S, Lichenstein SD, Pollatou A, Dufford AJ, Scheinost D. Predicting the future of neuroimaging predictive models in mental health. Mol Psychiatry. 2022;27(8):3129-3137. https://doi.org/10.1038/s41380-022-01635-.

110. Till AC, Briganti G. AI in Child Psychiatry: Exploring Future Tools for the Detection and Management of Mental Disorders in Children and Adolescents. Psychiatr Danub. 2023;35(Suppl 2):20-25.

111. Tornero-Costa R, Martinez-Millana A, Azzopardi-Muscat N, Lazeri L, Traver V, Novillo-Ortiz D. Methodological and Quality Flaws in the Use of Artificial Intelligence in Mental Health Research: Systematic Review. JMIR Ment Health. 2023;10:e42045. https://doi.org/10.2196/4204.

112. Vazquez-Rodriguez J, Lefebvre G, Cumin J, Crowley JL. Transformer-Based Self-Supervised Learning for Emotion Recognition. arXiv:2204.05103v2 [q-bio.NC]. 2022. https://doi.org/10.48550/arXiv.2204.0510.

113. Verma S, Goel T, Tanveer M, Ding W, Sharma R, Raman M. Machine learning techniques for the Schizophrenia diagnosis: a comprehensive review and future research directions. J Ambient Intell Human Comput. 2023;14:4795-4807. https://doi.org/10.1007/s12652-023-04536-.

114. Wang L, Hao J, Zhou TH. ECG Multi-Emotion Recognition Based on Heart Rate Variability Signal Features Mining. Sensors (Basel). 2023;23(20):8636. https://doi.org/10.3390/s2320863.

115. Washington P, Kalantarian H, Kent J, Husic A, Kline A, Leblanc E, Hou C, Mutlu C, Dunlap K, Penev Y, Stockham N, Chrisman B, Paskov K, Jung JY, Voss C, Haber N, Wall DP. Training Affective Computer Vision Models by Crowdsourcing Soft-Target Labels. Cognit Comput. 2021;13(5):1363-1373. https://doi.org/10.1007/s12559-021-09936-.

116. Watts D, de Azevedo Cardoso T, Librenza-Garcia D, Ballester P, Passos IC, Kessler FHP, Reilly J, Chaimowitz G, Kapczinski F. Predicting criminal and violent outcomes in psychiatry: a meta-analysis of diagnostic accuracy. Transl Psychiatry. 2022;12(1):470. https://doi.org/10.1038/s41398-022-02214-.

117. Watts D, Pulice RF, Reilly J, Brunoni AR, Kapczinski F, Passos IC. Predicting treatment response using EEG in major depressive disorder: A machine-learning meta-analysis. Transl Psychiatry. 2022;12(1):332. https://doi.org/10.1038/s41398-022-02064-.

118. Wiese W, Friston KJ. AI ethics in computational psychiatry: From the neuroscience of consciousness to the ethics of consciousness. Behav Brain Res. 2022;420:113704. https://doi.org/10.1016/j.bbr.2021.11370.

119. Wiese W. Von der KI-Ethik zur Bewusstseinsethik: Ethische Aspekte der Computational Psychiatry [From the Ethics of AI to the Ethics of Consciousness: Ethical Aspects of Computational Psychiatry]. Psychiatr Prax. 2021;48(S 01):S21-S25. (In German). https://doi.org/10.1055/a-1369-282.

120. Wilhelmy S, Giupponi G, Groß D, Eisendle K, Conca A. A shift in psychiatry through AI? Ethical challenges. Ann Gen Psychiatry. 2023;22(1):43. https://doi.org/10.1186/s12991-023-00476-.

121. Winter NR, Hahn T. Big Data‚ KI und Maschinenlernen auf dem Weg zur Precision-Psychiatry – wie verändern sie den therapeutischen Alltag? [Big Data, AI and Machine Learning for Precision Psychiatry: How are they changing the clinical practice?]. Fortschr Neurol Psychiatr. 2020;88(12):786-793. (In German). https://doi.org/10.1055/a-1234-624.

122. Xia Y, Liu Y. EEG-Based Emotion Recognition with Consideration of Individual Difference. Sensors (Basel). 2023;23(18):7749. https://doi.org/10.3390/s2318774.

123. Xiefeng C, Wang Y, Dai S, Zhao P, Liu Q. Heart sound signals can be used for emotion recognition. Sci Rep. 2019;9(1):6486. https://doi.org/10.1038/s41598-019-42826-2 

124. Yang J, Lei D, Qin K, Pinaya WHL, Suo X, Li W, Li L, Kemp GJ, Gong Q. Using deep learning to classify pediatric posttraumatic stress disorder at the individual level. BMC Psychiatry. 2021;21(1):535. https://doi.org/10.1186/s12888-021-03503-.

125. Yasin S, Hussain SA, Aslan S, Raza I, Muzammel M, Othmani A. EEG based Major Depressive disorder and Bipolar disorder detection using Neural Networks: A review. Comput Methods Programs Biomed. 2021;202:106007. https://doi.org/10.1016/j.cmpb.2021.10600.

126. Yuvaraj R, Thagavel P, Thomas J, Fogarty J, Ali F. Comprehensive Analysis of Feature Extraction Methods for Emotion Recognition from Multichannel EEG Recordings. Sensors (Basel). 2023;23(2):915. https://doi.org/10.3390/s2302091.

127. Zador A, Escola S, Richards B, et al. Catalyzing next-generation Artificial Intelligence through NeuroAI. Nat Commun. 2023;14(1):1597. https://doi.org/10.1038/s41467-023-37180-.

128. Zhang B, Zhu J, Su H. Toward the third generation artificial intelligence. Sci China Inf Sci. 2023;66(2):121101. https://doi.org/10.1007/s11432-021-3449-.

129. Zhang M, Scandiffio J, Younus S, Jeyakumar T, Karsan I, Charow R, Salhia M, Wiljer D. The Adoption of AI in Mental Health Care-Perspectives From Mental Health Professionals: Qualitative Descriptive Study. JMIR Form Res. 2023;7:e47847. https://doi.org/10.2196/4784.

130. Zhang Y, Ji X, Zhang S. An approach to EEG-based emotion recognition using combined feature extraction method. Neurosci Lett. 2016;633:152-157. https://doi.org/10.1016/j.neulet.2016.09.03.

131. Zong J, Xiong X, Zhou J, Ji Y, Zhou D, Zhang Q. FCAN-XGBoost: A Novel Hybrid Model for EEG Emotion Recognition. Sensors (Basel). 2023;23(12):5680. https://doi.org/10.3390/s23125680

 

Источник