机器学习用于精神分裂症细粒度症状评估的方法综述

精神分裂症是一种严重但可治疗的心理障碍，其诊断依赖于多种原发与继发症状。个体的诊断与治疗取决于症状严重程度，因此需要准确、个性化的评估。然而，该过程可能既耗时又主观；因此，有必要探索能够提供更一致诊断和精确症状评估的自动化方法，从而辅助医疗从业者工作。机器学习已在包括医学在内的众多领域展现出令人印象深刻的性能；在患者评估中使用机器学习对医疗专业人员和患者均大有前景，因其可带来更一致和准确的症状估计。本综述旨在回顾利用机器学习进行精神分裂症诊断与评估的方法。与先前主要聚焦二分类的综述不同，本工作认识到该疾病的复杂性，转而概述专为细粒度症状估计设计的机器学习方法。我们涵盖多种模态，即医学影像、脑电图与音视频，因为疾病症状既可体现于患者病理也可体现于行为。最后，我们分析了研究中使用的数据库与方法，并指出了趋势、空白以及未来研究的机遇。