本文主要介绍了人工智能技术在医学领域中的应用，即基于大数据和机器学习的个性化医疗决策支持，以提供更好的医疗健康支持服务。

Jul, 2022

通过将机器学习和神经调节技术与先进的可穿戴和移动技术相结合，提供了广泛的机会来在精确精神病学中提供解释性方案和有效的治疗方法。

Apr, 2022

利用联邦学习和上下文感知语言学习方法，FedTherapist 提出了一种通过连续语音和键盘输入对移动设备进行隐私保护方式的移动心理健康监测系统，其通过比较多种模型设计的性能和开销，成功克服了在智能手机上进行设备内语言模型训练的复杂性，并通过对 46 名参与实验者进行自我报告的抑郁、压力、焦虑和情绪情况的预测的 IRB 批准评估显示出更高的准确性，相比非语言特征，AUROC 改善了 0.15，MAE 降低了 8.21%。

Oct, 2023

本论文提出了一种使用联邦学习和多视角数据的智能诊断框架以解决患者医疗隐私问题。

Feb, 2021

本研究利用经过修改的预训练 BERT 模型检测社交媒体和用户的网络浏览数据中的抑郁文本，实现了令人印象深刻的 93% 测试准确率。同时，该项目旨在结合可穿戴设备（如智能手表和脑电传感器）的生理信号，提供情绪障碍和情绪状态的长期跟踪和预后，这种综合方法有望提高抑郁症的早期检测并促进整体心理健康结果。

Jan, 2024

本文探讨了去中心化的分布式账本上机器学习模型对分布式电子个人健康档案进行知识提取的方法，并提出了一个设计概念，能够匿名进行预测性分析，结果表明可降低机器学习时间至 60％，一致性延迟低于 8 秒，适用于各个医疗机构。

Jul, 2022

使用大型语言模型（LLMs）综合多传感器数据生成临床有用的洞察力，首次展示使用 LLMs 进行二元抑郁症分类的准确性超过了现有技术，而且还强调了人工智能与医生领域专业知识和患者背景相结合的人工智能协同方法在临床决策支持方面的价值。

Nov, 2023

本研究对 Mhealth 数据进行了分析，并使用了几种机器学习算法来预测人类的运动行为和健康状态，最终结果表明 XGBoost 相对其他算法表现更好。这项研究对于使用 Mhealth 预测一个人对特定运动比赛是否适合有着很大的前景和潜力。

Apr, 2023

本文通过使用动作传感器数据预测抑郁症证明了解决以下问题的重要性：健康感知对慢性病管理的益处如何，抑郁症预测的挑战和机器学习算法透明度和可解释性的重要性，介绍了一个新型可解释的深度学习模型 —— Temporal Prototype Network（TempPNet）以及如何将其应用于健康感知中的慢性病共同关心和抑郁症预测。

Nov, 2022

本研究使用手机元数据和加速度计值来预测双相障碍者情绪紊乱的存在和严重程度，结果表明使用智能手机元数据来预测情绪紊乱的可能性和严重程度是可行而有效的，并展示了个性化医疗治疗情绪紊乱的潜力。

Aug, 2018