精准精神病学：预测可预测性
本研究提出了一种机器学习系统，通过使用行为数字表型数据预测、检测和解释患有精神分裂症的患者症状的个体变化情况，通过使用变化点算法检测减少的症状，并在模拟持续监测的情况下使用反事实说明作为医疗保健中的纾困措施。
Jun, 2023
本文提出了一种个性化心理健康监测和情绪预测系统，利用患者生理数据，并采用分散的学习机制结合传输和联邦机器学习，使数据留在用户设备上，在隐私和可追踪的方式下实现心理健康条件的跟踪和管理，从而为精神科治疗提供了一个新颖的解决方案。
Jul, 2023
本文探讨了统计分析在精准医学中的关键作用，着重讨论了个性化医疗如何通过解释复杂的多维数据集来实现，包括预测建模、机器学习算法和数据可视化技术。本文还研究了数据整合和解释方面的挑战，尤其是包括电子健康记录（EHR）和基因组数据在内的多种数据源。此外，本文强调了统计分析在医学中的发展、精准医学的核心统计方法以及未来发展方向，特别强调了人工智能（AI）和机器学习（ML）的整合。
Jan, 2024
本文旨在探讨在临床精神病学中机器学习应用中公平性和偏见问题的探究以及解决策略，通过对临床精神卫生数据的预测，发现性别偏见的问题，并使用 AI Fairness 360 包中的重新加权和歧视感知正则化作为偏差消减策略，并探讨它们对模型性能的影响。这是第一次在真实的临床精神病学数据上应用偏见探索与消减的机器学习模型。
May, 2022
本研究论文旨在探讨精准医疗数据安全、隐私保护、伦理和监管要求下的最佳应用方法和技术，分别从全球的规定、道德准则，领域特定需求着手，调查与之相关的挑战，为计算精准医疗数据使用安全的隐私保护机器学习方法，最后提出能够遵守伦理规范、管理同意、促进医疗创新和发展的概念性系统模型。
Aug, 2020
本文探讨了现代技术如何改进行为特征化，并详述了使用数字医学研究数据的不同方法，重点在于音频日记的科学论证和多区域递归神经网络架构的实验成功。
May, 2023
使用预测性机器学习模型和电子健康记录来预测心理诊断患者的死亡率所带来的持久挑战，机器学习算法（逻辑回归、随机森林、支持向量机和 k 近邻）的结果表明随机森林和支持向量机模型优于其他模型，AUC 得分为 0.911，药物处方，尤其是硫酸吗啡在预测中起到关键作用。这项研究可用于帮助医院工作人员识别有风险的患者，减少过度死亡。
Oct, 2023
COVID-19 疫情迫使人们限制了社交活动，导致精神疾病，特别是抑郁症的增加。为了准确快速地诊断这些疾病并防止严重后果如自杀，机器学习的使用变得越来越重要。此外，为了提供精确可理解的诊断以进行更好的治疗，AI 科学家和研究人员必须开发可解释的基于 AI 的解决方案。本文概述了机器学习和可解释 AI 领域相关文章，旨在帮助理解在精神疾病检测应用中使用 AI 的优势和劣势。
Nov, 2023
本研究使用基于贝叶斯的深度学习技术，通过对多发性硬化症患者的 MRI 图像进行数据训练，估计病人的不同治疗方案的后验分布，计算每种治疗方案和任意两种治疗方案之间的个体治疗效应（ITE）并对其不确定性进行评估，从而实现 “精准医学”，并对临床医生的决策提供指导。
May, 2023