北京
認知神經科學前沿文獻分享
基本信息
Title:Integrating speech biomarkers and large language models for adolescent suicide risk detection with mobile application for real-world evaluation
發表時間:2026-05-18
發表期刊:Cell Reports Medicine
影響因子:10.6
獲取原文:
1. 添加小助手:PSY-Brain-Frontier即可獲取PDF版本
研究背景
青少年自殺風險檢測一直靠自評量表和臨床訪談，但前者容易被報告意愿和污名化左右，后者又很吃專業資源
語音里的語調、停頓、說了什么、怎么說的，可能藏著額外線索。以前的研究大多用人工設計的聲學特征，或者只做單一任務，很難同時處理聲學和語義信息，也缺了從受控錄音到真實手機場景的驗證這一步
這項研究想問的是：把青少年自發語音里的聲學和語義信息，通過大語言模型（large language models, LLMs）和語音編碼器整合起來，能不能識別當前的自殺風險
實驗設計與方法邏輯
研究納入了10到18歲的青少年。開發隊列有1,223人，來自46所學校；外部移動應用驗證隊列有450人，來自14所學校。
- 作者用兒童青少年迷你國際神經精神訪談（Mini International Neuropsychiatric Interview for Children and Adolescents, MINI-KID）的自殺模塊和貝克自殺意念量表（Beck Scale for Suicide Ideation, BSS）來構建標簽，比較了十類語音任務
- 模型這邊，把傳統聲學特征加支持向量機、LLM few-shot、Wav2Vec 2.0加BERT這些基線，跟Whisper語音分支和Qwen文本分支拼起來的多模態融合（multimodal fusion）框架做了對比，最后把表現最好的自我介紹任務搬到移動應用語音里去驗證
核心發現
發現一：自我介紹任務最能支持風險檢測
十類語音任務里，開放式自我介紹在MINI-KID標簽下拿到了最高的平均準確率，作者報告的投票集成結果是0.808
討論里提到，開放式自我敘述更容易讓人自我反思、表達情緒、自我披露，所以更適合捕捉跟風險有關的信號
Fig. 2 展示了不同方法在十類任務上的準確率比較。這個結果說明，任務形式本身會影響風險信號能不能被檢測到發現二：語音和文本融合比單一路徑強
speech + text多模態模型在多數任務里都優于speech-only或text-only，自我介紹任務上的提升特別明顯。這說明聲學線索和轉寫文本里的語義線索有互補價值，但不能就此說模型已經搞懂了風險的因果機制
Fig. 3 比較了多模態和單模態輸入。這個結果說明，聲音表現和語言內容需要放在一起建模發現三：手機真實場景驗證還能保持一定性能
模型從受控錄音換到移動應用采集的自我介紹語音后，性能掉了，但還在可用水平。MINI-KID標簽下投票集成模型的準確率是0.779，macro-F1是0.719，說明真實錄音的噪聲確實會影響表現
Fig. 4 展示了移動應用外部驗證的結果。這個結果說明真實采集是可行的，但不能等同于常規部署已經成熟
省流總結
這項研究顯示，青少年的開放式自我介紹語音能給當前自殺風險篩查提供聲學和語義線索，Whisper + Qwen多模態框架比多種基線要好，在手機采集場景里也能保留一定性能。邊界也很清楚：模型輸出只能當二次評估的觸發信號，不能替代披露、訪談和安全流程
分享人：天天
審核：PsyBrain 腦心前沿編輯部
你好，這里是「PsyBrain 腦心前沿」
專注追蹤全球認知神經科學的最尖端突破
視野直擊 Nature, Science, Cell 正刊 及核心子刊與頂級大刊
每日速遞「深度解讀」與「前沿快訊」
科研是一場探索未知的長跑，但你無需獨行。歡迎加入PsyBrain 學術社群，和一群懂你的同行，共同丈量腦與心智的無垠前沿。
點擊卡片進群，歡迎你的到來
一鍵關注，點亮星標 ? 前沿不走丟！
一鍵分享，讓更多人了解前沿
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
