综述：AI（人工智能）进入精神科，机遇在精准诊疗，难点在证据与公平
一篇发表于《Frontiers in Public Health》的叙述性综述，梳理AI（人工智能）在精神科理论、临床与医学教育中的作用：机器学习可整合神经影像、电子健康记录（EHR）、可穿戴传感器与社交媒体数据，尝试重塑疾病分类、辅助诊断与个体化治疗，同时列出数据隐私、算法偏见和资源获取不均等伦理与法律风险。
作者强调，现有研究多为小样本或单中心，结论尚未进入常规临床。
该综述作者为南京医科大学康达学院的Hongyan Zheng与南京医科大学附属脑科医院早期干预单元的Xizhe Zhang，2025年9月29日在线发表。
文章检索PubMed、Web of Science和IEEE Xplore于2005年1月1日至2025年5月15日期间的文献，纳入人体研究、含临床或神经生物学数据的方法学论文、系统综述及政策/课程框架，排除纯技术报告、单例报告和仅动物研究； 因异质性未做荟萃分析，采用叙述性综合。 综述提到，机器学习模型可识别精神障碍的生物学亚型并预测个体治疗反应；
自然语言处理（NLP）可从非结构化临床文本中提取症状信号。 文章同时指出，多数现有研究局限于小规模或单中心队列； 舍曲林应答预测的多模态深图学习研究尚属探索，文中引用STARD一线西酞普兰试验约28%–33%的缓解率作为常规治疗局限性的例证。
这是对AI（人工智能）精神科研究现状的框架性梳理，而非新试验结果。 它的价值在于把“AI能否改善精神科”拆成分类、机制、诊断客观化、治疗个体化四条线，并同时标注可复现性、临床可解释性和数据共享标准化三道门槛：算法生成的亚型在不同队列间未必重复，类别是否有临床意义尚不清楚。 对行业而言，这意味着短期可落地空间更可能在辅助筛查、风险分层与决策支持，而非替代诊断。
文中引用的FDA（美国食品药品监督管理局）已授权近700款AI医疗器械属文献转引数据，未取得原始报告，不作为独立事实采用。
后续观察信号
- 追踪综述作者团队后续是否发表原始研究
- 核查文中引用的FDA AI医疗器械数量原始来源
- 关注RDoC（研究领域标准框架）等跨诊断维度框架在AI（人工智能）研究中的实际应用