UTHealth Houston：多模态AI（人工智能）精神状态检查整体诊断接近精神科团队
UTHealth Houston与耶鲁合作开发AI（人工智能）系统Qwen3-Omni，分析标准化病人视频中的语音、语调与行为，按10项标准分类并生成书面说明；
与UTHealth Houston及耶鲁精神科医生团队比对，整体诊断一致准确，但外观、精细动作等单项仍有错误。 团队定位为补充而非替代，拟用于教育或基层非精神科医生辅助。
研究原始来源可核对
事实与证据边界
研究发表于npj Mental Health Research（DOI: 10.1038/s44184-026-00245-y）。 方法为将预训练神经网络系统Qwen3-Omni与自研软件结合，分析标准化病人接受精神状态检查的视频记录，涵盖精神分裂症、强迫症与双相障碍的不同严重度。 对照为UTHealth Houston与耶鲁的精神科医生团队。
分类标准为10项：情绪、外观、行为与合作、感知、言语、自杀风险、妄想/强迫观念、思维连贯性与速度。 结果为整体诊断一致准确，单项如外观或精细运动判断有误。
分析判断
这是多模态基础模型用于结构化精神状态评估的方法学验证，受试为标准化病人而非真实患者，研究未确立其用于治疗选择或改善结局。 但该研究属早期，未在中国人群、未成年人或教育场景验证，不可直接套用为校园心理筛查工具，也不应与竞品直接等同。
后续观察信号
- 10项评估维度的定义与标准化病人方案细节
- Qwen3-Omni在心理健康评估任务中的调用方式与输入模态组合
- 后续计划的验证人群、样本量与是否包含未成年人
- 是否与Limbic、Wysa（人工智能心理健康应用）等数字心理健康产品存在可比功能边界