AI+心理健康：基于多模态融合的抑郁症检测系统挑战杯获奖

抑郁症检测这件事，说起来有点沉重，但确实是一个越来越绕不开的现实话题。先看几个关键数字：我国抑郁症患者总数已超过9500万，成年人患病率3.6%，更令人揪心的是，18岁以下青少年儿童的比例竟然高达17.5%——换句话说，每六个孩子里就有一个可能面临抑郁困扰。与此同时，全国精神科医生才6.4万人，还不到医生总数的1.5%。传统诊断方式严重依赖专业医生和患者对精神健康问题的认知，很多人根本迈不过那道门槛。供需之间的矛盾，用一句话概括就是：需求在爆发，资源却跟不上。

目前主流的诊断方式是面对面交流——医生通过量表和一些引导性的提问来判断。说实话，这种方式耗时、费钱、跨度也长，患者要投入大量时间和精力。更关键的是，不是所有人都愿意或者有条件去找医生，这也是为什么AI抑郁症检测逐渐成为研究热点。不过，现有的AI方案普遍存在一个短板：要么模态单一（比如只看语音或只看文本），要么无法适配中文语境，离实际应用还有距离。

清华大学语音与音频技术实验室的几位本科生——张雪桢、李沐晟、李治宇、甘冀韬——组队做了一个很有意思的项目，叫“基于多模态融合的抑郁症检测系统”。这个项目在清华大学第42届挑战杯上拿到了信息赛道校二等奖，也顺利入围了终审答辩。简单来说，他们做了一个网站，综合了语音、文本、视频三种模态的输入，把量表、多模态检测模型和大语言模型整合在一起，既能模拟面诊，又能支持日常交流对话，最后直接给出诊断结果。

整个系统的流程设计得非常贴近真实诊断场景。用户先填一份自测量表，系统会根据作答情况，有针对性地追问一些问题，最后结合用户的全部回应，输出详细的结论和建议。整个过程模拟了医生面诊的逻辑，但完全自助、免费，用户可以随时随地在线上完成。

核心模型这部分值得多说几句。整个系统分为数据输入、数据处理和结果输出三个环节。在数据输入上，团队引入了语音转文本模型，同时做了音频提取等处理，让视频模块能接收三个模态的信息，音频模块能处理两个模态的信息，真正实现了多模态输入的灵活性。在数据处理环节，三个独立的基座模型都针对抑郁症检测任务和中文环境做了微调：语音模块基于多语种预训练模型XLSR-53，在中文数据集上进行了针对性的训练；文本模块用的是PaddleNLP基于ERNIE 3.0预训练模型训练的中文通用信息抽取模型UIE；视频模块则基于视觉情感识别框架EMO-AffectNet，提取了其中的部分情感成分做融合判断。每个模块各司其职，最后在分类器里融合，归一化成0到100的分数，再做一个二分类判断。值得一提的是，系统还针对涉及自杀或轻生倾向的关键词汇，触发了特殊机制——比如提高分数权重，或者直接弹窗提供援助信息。说实话，这个细节挺见功力的。

测试成绩也相当亮眼。在中文抑郁症数据集MODMA上，基于音频单元的准确率和F1分数分别达到0.806和0.747；如果按个体来检测，准确率和F1更是飙升到0.909和0.952。对比下来，传统的SDS检测准确率大约在0.75左右，而现有的语音加文本模态的抑郁症检测模型准确率也只有0.80上下。可以说，这套多模态方案确实把精度抬上了一个台阶。

更重要的是，它不是停留在实验室里的demo。截至2024年4月11日，系统已经上线并积累了2000多个实际用户，收到了超过100条反馈。团队还申请到了计算机软件著作权（登记号2024SR0531161），接下来打算把核心技术写成论文或申请专利。整个项目得到了国家自然科学基金和SRT项目的支持。

回头看，这支队伍在短短一个多月的时间里，从零搭建起一套完整的抑郁症检测系统，背后是三位来自致理书院和电子系的本科生，大部分还是大二大三的学生。他们不仅把三个独立的预训练模型针对中文和抑郁症任务做了微调，还解决了多模态缺失场景的适应问题，最终把成果落地成可以实际使用的产品。在这个领域，能做到这一点，确实值得点个赞。