研究人员正在探索人工智能的一种新用途，未来可能有助于在明显症状出现之前识别出更高抑郁风险人群。

这种方法将人工智能与脑成像相结合，使研究人员能够观察大脑对不同情绪信号的反应，并识别与未来抑郁风险相关的模式。

根据加密货币和科技社区流传的信息，研究人员使用青少年的脑扫描训练了一套AI系统，其中包括有抑郁症状和没有抑郁症状的参与者。参与者会看到显示快乐、中性和愤怒情绪的面孔，而磁共振成像，即MRI，会记录他们大脑中的活动。

随后，研究人员利用形成的脑部模式训练人工智能模型，以区分情绪处理方式上的差异。

这一概念属于神经科学中一个快速发展的领域，研究人员正在使用机器学习识别可能与未来精神健康状况相关的生物和行为模式。

不过，需要区分“预测较高风险”和“诊断抑郁”。能够识别统计模式的AI系统，无法确定 @coinbureau 某个人一定会患上该疾病。

AI如何分析情绪反应

这项研究方法的核心，是大脑在处理面部表情时如何作出反应。

参与者在接受MRI扫描时，会看到不同情绪的面孔。这些图像让研究人员能够详细观察青少年处理积极、中性和消极情绪信息时的大脑活动变化。

其基本思路是，抑郁可能与人们处理情绪信息方式的变化有关。

以往科学研究发现，大脑对面部表情的反应差异可能与后来的抑郁症状有关。例如，一项研究发现，年轻成年人在观看中性面孔时杏仁核的活动，与两年后抑郁症状增加有关。

研究人员目前正在探索，人工智能能否将多个脑区中的这些细微模式结合起来，并比传统分析更有效地用于估算未来风险。

AI寻找隐藏模式

机器学习可以处理海量数据，并识别传统统计方法可能难以发现的关联。

在报告中的研究里，AI学到了与情绪处理差异相关的模式。被认为更易受抑郁影响的青少年，似乎会以不同方式处理情绪信息，包括更倾向于以不那么积极的方式解读模棱两可或带有负面意味的面部表情。

随后，该系统被应用于当前并未表现出明显抑郁症状的年轻人的脑扫描。

当时的目的并不是诊断抑郁，而是判断AI识别出的脑部模式是否能提示未来出现症状的概率更高。

几年后再次评估时，被归类为较高风险的参与者，据称更有可能出现抑郁症状。

这类纵向研究尤其重要，因为它能够检验在症状出现之前观察到的生物信号，是否与未来的心理健康结果存在关联。

四年期预测或可改变早期干预

如果报道中的发现能在更大规模且独立的人群中得到重复验证，这项技术最终可能对早期干预产生影响。

抑郁往往是在症状已经变得明显之后才被识别。可靠的风险预测系统，可能为医生和研究人员争取更多时间来监测可能处于脆弱状态的个体。

其目标并不一定是提前数年给某人贴上抑郁标签。相反，未来系统可能帮助识别那些可能从更密切监测、预防策略或额外心理支持中受益的人。

科学研究已经显示，机器学习可以从脑成像中提取有用的预测信息。

一项2024年研究使用了Adolescent Brain Cognitive Development研究中2,658名儿童的数据，发现多模态神经影像特征可在两年随访时预测抑郁风险；在有父母抑郁史的参与者中，静息态功能连接的表现尤其突出。

其他研究也同样探讨了使用MRI和机器学习来预测青少年未来抑郁发作。

这项技术仍有重大局限

尽管前景可观，但在AI驱动的抑郁预测成为常规医疗工具之前，研究人员仍面临重大挑战。

MRI扫描成本高昂，并且需要专门设备。大脑活动在个体之间也可能存在显著差异，这使得建立适用于所有人的单一模式变得困难。

研究人员还必须确定，在某一群体上训练出的AI模型，是否同样适用于来自不同地区、文化、年龄组和社会经济背景的人群。

隐私也是另一大担忧。

脑扫描包含高度敏感的生物信息。任何使用人工智能评估心理健康风险的系统，都需要强有力的保障措施，以防止被滥用或造成不当标签化。

最重要的是，较高的风险评分绝不能被视为明确诊断。

近期研究表明，机器学习可以预测青少年心理健康风险的某些方面，但研究人员仍然强调，在这类系统被视为可靠临床工具之前，必须进行验证和进一步测试。

人工智能与心理健康的兴趣持续上升

这一进展反映出医学研究中的更广泛趋势，即人工智能正越来越能够分析复杂的生物数据。

科学家正在研究将MRI扫描、行为信息、睡眠模式、家族史和其他因素结合起来，以估算心理健康风险的AI模型。

一篇2025年的综述强调了使用ABCD研究中超过11,000名儿童数据的研究，并发现机器学习系统能够识别某些未来心理健康风险，不过在一些模型中，行为和社会因素往往比MRI衍生指标发挥更大作用。

这一发现凸显了为什么研究人员正越来越多地转向多模态模型，而不是仅依赖脑扫描。

关于最新AI研究的报道也在科技和加密货币受众中传播，其中包括X账号 @coinbureau 的讨论。更广泛的关注反映出人工智能正迅速超越金融应用，扩展到神经科学和医疗保健领域。

接下来会怎样

在症状出现前数年预测抑郁的可能性在科学上颇具吸引力，但在这项技术被视为可靠的预测工具之前，仍需要更多研究。

研究人员需要使用更大样本、独立数据集和更长的随访期来重复这些发现。他们还需要确定该模型在其开发人群之外的准确性。

就目前而言，最重要的结论是，人工智能正在为科学家提供研究大脑活动、情绪处理与未来心理健康风险之间关系的新方法。

如果这些方法持续改进，AI辅助的大脑分析最终可能成为更早期心理健康筛查和预防的一部分。

但这项技术仍然是研究工具，而不是专业诊断的替代品。提前数年识别抑郁风险的前景令人期待，但要证明此类预测准确、公平且具有临床实用性，还需要大量额外证据。