Психические расстройства являются одной из важнейших медико-социальных проблем современности. Сегодня около 970 млн человек страдают психическими расстройствами, из которых более 300 млн имеют диагноз депрессии или биполярного расстройства. В последние годы наблюдают бурное развитие цифровых технологий, в особенности искусственного интеллекта, к которым относят машинное и глубокое обучение, в связи с возрастающим интересом к их использованию в психиатрии, а также актуальностью разработки новых подходов к организации психиатрической помощи. В настоящем обзоре продемонстрированы текущие и перспективные направления развития технологий искусственного интеллекта в клинической практике на примере пациентов c депрессией и биполярным расстройством.

Поиск литературы осуществляли в период с января по февраль 2024 года в поисковых системах PubMed, Google Scholar и eLibrary с использованием ключевых слов и словосочетаний: «психиатрия», «психическое здоровье», «психическое расстройство», «депрессия», «депрессивный эпизод», «рекуррентное депрессивное расстройство», «биполярное расстройство», «машинное обучение», «глубокое обучение», «искусственный интеллект»; «psychiatry», «mental health», «psychiatric disorder», «depression», «depressive episode», «major depressive disorder», «bipolar disorder», «machine learning», «deep learning», «artificial intelligence». В обзор выключены работы, посвящённые использованию технологий искусственного интеллекта у пациентов с депрессией и биполярными расстройством, а также обзорные статьи, рассматривающие трудности их применения в психиатрии. Отобраны публикации на русском и английском языках за последние 10 лет.

Наиболее часто для моделей машинного обучения с целью диагностики пациентов с аффективными расстройствами используют нейровизуализационные (преимущественно данные магнитно-резонансной томография и электроэнцефалографии), текстовые, аудио- и видеоданные, а также данные электронных устройств, молекулярногенетические и клинические показатели. Для обучения моделей используют моно- или мультимодальные наборы данных. Следует отметить, что большая часть проанализированных работ имеет существенные недостатки, что затрудняет внедрение технологий искусственного интеллекта в клиническую практику. Среди них выделяют: небольшой размер выборок, их низкую репрезентативность и стандартизацию, включение в модели «шума» и коррелирующих между собой переменных, отсутствие проверки моделей на независимых выборках.

Таким образом, исследования методов машинного обучения показали перспективные результаты для ранней диагностики аффективных эпизодов, а также при прогнозировании ответа на терапию. Однако их использование в клинической практике имеет ряд ограничений, в первую очередь связанных с недостаточной валидацией. Для решения данной проблемы необходимы хорошо спланированные проспективные когортные исследования, а также создание обширных качественных баз с наборами данных и моделей, способных выявлять новые связи между переменными.

精神障碍是当今最重要的医学和社会问题之一。目前，大约有9.7亿人患有精神障碍，其中超过3亿人被诊断为抑郁症或双相情感障碍。近年来，数字技术，尤其是人工智能，特别是机器学习和深度学习，得到了迅速发展。鉴于其在精神病学中的应用日益受到关注，并且开发新的精神卫生服务方法日益成为迫切问题。

本文展示了人工智能技术在临床实践中的当前和未来发展方向，特别是应用于抑郁症和双相情感障碍患者的实例。文献检索在2024年1月至2月期间，通过PubMed、Google Scholar和eLibrary等搜索引擎进行，使用俄文的关键词包括：“психиатрия” (精神病学), “психическое здоровье” (心理健康), “психическое расстройство” (精神障碍), “депрессия” (抑郁症), “депрессивный эпизод” (抑郁发作), “рекуррентное депрессивное расстройство” (复发性抑郁障碍), “биполярное расстройство” (双相情感障碍), “машинное обучение” (机器学习), “глубокое обучение” (深度学习) 和 “искусственный интеллект” (人工智能)；以及英文关键词：“psychiatry” (精神病学)、“mental health” (心理健康)、“psychiatric disorder” (精神障碍)、“depression” (抑郁症)、“depressive episode” (抑郁发作)、“major depressive disorder” (重度抑郁症)、“bipolar disorder” (双相情感障碍)、“machine learning” (机器学习)、“deep learning” (深度学习)、“artificial intelligence” (人工智能)。排除了关于人工智能技术应用于抑郁症和双相情感障碍患者的文章，以及讨论其在精神病学中应用困难的综述文章。所选文献为过去10年内的俄语和英语出版物。最常用于情感障碍患者诊断的机器学习模型基于神经影像学（主要是磁共振成像和脑电图）、文本、音频、视频数据，以及电子设备、分子遗传学和临床指标。模型训练使用单模态或多模态数据集。需要指出的是，大多数分析过的研究存在显著缺陷，阻碍了人工智能技术在临床实践中的应用。这些缺陷包括：样本量小、缺乏代表性和标准化、模型中存在“噪声”以及相关变量的干扰，缺乏在独立样本上的验证。因此，机器学习方法在早期诊断情感障碍发作以及预测治疗反应方面展现了前景。然而，它们在临床实践中的应用仍面临一系列限制，主要与验证不足相关。为了解决这一问题，需要进行精心设计的前瞻性队列研究，并建立广泛的高质量数据集和模型库，以发现变量之间的新关联。