BJPsych Open 综述：AI（人工智能） 不是精神疾病诊疗的捷径，直接治疗证据仍属初步
发表于 BJPsych Open 的一篇观点综述指出，全球逾十亿人受精神障碍影响，服务能力跟不上患病率增长，大语言模型（LLM）常被提议作为补救方案。
但精神科对疾病机制理解有限、评估偏主观，制约任何 AI（人工智能） 模型的能力上限。
作者认为 AI 在多模态数据集和临床文书语音工具（ambient scribes）上确有帮助，直接治疗用途证据仍属初步且安全风险真实存在。
该文由 Filippo Corponi、Allan Hunter Young、Kenneth R Kaufman 撰写，作者机构包括英国帝国理工学院（Imperial College London）脑科学系、美国罗格斯罗伯特伍德约翰逊医学院（Rutgers Robert Wood Johnson Medical School）、英国国王学院伦敦（King's College London）精神病学心理学与神经科学研究所及英国牛津大学（University of Oxford）精神病学系，发表于 BJPsych Open。
摘要称：全球逾十亿人患有精神障碍，患病率上升持续超出精神卫生服务能力； 人工智能尤其是大语言模型被广泛提议作为解决方案； 精神科对疾病过程机制理解有限（并叠加其心理社会根源），且依赖 largely subjective 的临床评估，这限制了任何 AI 模型所能达到的水平。
文章区分两类用途：大语言模型在多模态大数据集以及行政工具（如 ambient scribes，即自动生成临床文书的语音记录工具）上确有帮助； 而直接治疗用途的证据仍属初步，安全担忧真实存在。 文章还指出 AI 对研究过程本身的风险，包括虚构引用和不可核验的分析流程。
结论认为，AI 是增强还是掏空精神科照护，取决于利益相关方与政策制定者的选择，而非模型能力。 本次仅获取摘要，未阅读全文。
这篇摘要的价值在于把“AI（人工智能） 能否治精神疾病”拆成两个可分别核验的问题：行政与数据效率，和直接治疗有效性。 前者被作者视为已有实际帮助，后者被明确定性为证据初步。 对行业的含义是，把 LLM（大语言模型） 用于临床文书、分诊信息整理与多模态数据研究，与宣称其具备治疗能力，属于完全不同的证据等级； 后者的安全风险在摘要中被直接承认。
作者同时提醒 AI 会污染研究证据链（虚构引用、不可核验流程），这对依赖文献做产品论证的团队是提醒：引用需回到原文核验。 需注意该判断来自摘要层面的观点综述，未提供具体研究数据或效应量，不能作为任何产品疗效的证明。
后续观察信号
- 获取 BJPsych Open 全文，核实其对“直接治疗证据初步”的具体引证文献与安全风险清单
- 跟踪同一作者团队是否发布面向临床部署的评估框架