📄 医学

Repurposing Large Language Models as Instruments to Detect Transdiagnostic Speech Deviations across the Psychosis–Affective Spectrum

本研究表明，量化对大语言模型预期（即惊奇度）的偏离，可作为检测跨诊断言语改变（特别是精神分裂症谱系障碍和双相情感障碍）的一种具有可扩展性且稳健的标记物，尽管其区分个体患者的能力仍然有限。

原作者： Esra Lenz, Svenja Seuffert, Julius Wiegert, Rieke Roxanne Mülfarth, Agata Mrozek, Tilo Kircher, Emmanuel Schwarz, Frederike Stein

发布于 2026-10-06

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Esra Lenz, Svenja Seuffert, Julius Wiegert, Rieke Roxanne Mülfarth, Agata Mrozek, Tilo Kircher, Emmanuel Schwarz, Frederike Stein

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

几十年来，精神医学一直高度依赖言语。当医生评估患者时，他们不仅在听说了什么，还在听如何表达。他们关注思想的流动、句子之间的联系以及说话的节奏。这些模式可以揭示深层的思维障碍，例如当一个人的思维变得紊乱或在不同话题之间跳跃式地转换时。这是诸如精神分裂症等疾病的核心特征，在这些疾病中，语言本身的结构可能会发生崩溃。然而，倾听患者并判断这些细微的变化对人类来说是一项艰巨的任务。这需要高强度的训练，即使是专家也经常会对所听到的内容产生分歧。由于目前还没有像血液检查那样简单的生物学测试来诊断这些疾病，该领域长期以来一直在寻找一种更客观的方法来衡量这些言语模式。

最近，一种新型计算机程序出现了，它可能提供一种解决方案。这些是大型语言模型，也是许多现代聊天机器人背后的技术。它们在来自书籍、网站和对话的海量文本上进行训练，学习单词通常如何相互衔接的统计规则。本质上，它们构建了一个关于正常、健康对话听起来是什么样子的庞大内部图谱。研究人员开始怀疑，这些程序是否可以作为一种新的测量工具。如果一个人的言语显著偏离了计算机所预期的模式，这种偏差是否可以作为一种可衡量的疾病迹象？这个问题处于人工智能与心理健康的交汇点，探讨的是机器预测句子中下一个单词的能力是否能帮助我们理解人类的心智。

德国的一个研究小组致力于通过测试这一想法。他们收集了371名参与者的数据，其中包括178名健康个体和194名被诊断患有不同精神疾病的患者。这些患者分为三个主要群体：精神分裂症谱系障碍患者、双相情感障碍患者以及重度抑郁症患者。为了确保每个人都在相似的条件下进行表达，研究人员要求每个人观察四张图片，并讲述正在发生的场景故事。这是心理学中使用的标准测试，旨在鼓励自然叙事。研究人员记录了这些故事，将它们转录为文本，然后将它们输入到一个复杂的语言模型中。

计算机被指示表现得像一个健康的人。在阅读每个故事时，它会根据遇到的单词带来的“惊讶程度”为每一个句子计算得分。如果故事的流动符合计算机的预期，那么其惊讶得分就会很低。如果故事转向了意想不到的方向、使用了奇怪的词组，或者违反了语法规则从而破坏了流畅性，那么惊讶得分就会上升。研究人员将这个分数称为“惊异度”（surprisal）。随后，他们对比了不同群体之间的这些得分，并仔细调整了年龄、受教育程度以及平均句子长度等因素，以确保结果不仅仅是反映了人们说话的长短。

结果揭示了一个能够区分各组的清晰模式。精神分裂症谱系障碍患者讲述的故事产生的惊异度得分始终高于健康志愿者。这意味着他们的言语对于计算机来说显著缺乏可预测性，偏离了健康语言的统计常态。双相情感障碍患者也表现出升高的得分，尽管其效果不如精神分裂症组那么强烈。令人惊讶的是，重度抑郁症患者的故事与健康对照组是无法区分的。他们的言语与健康志愿者一样具有可预测性，这表明这种方法所测量的特定类型语言障碍并不是所有精神疾病的普遍特征，而是与精神病性谱系关系更为密切。

研究人员还观察了这些得分是否与患者症状的严重程度相匹配。他们发现，较高的惊异度得分与思维和言语方面的困难（如精神分裂症中常见的思维紊乱）有关。然而，这种联系主要是由诊断组之间的差异驱动的，而不是由个体患者在某一天的病情严重程度驱动的。换句话说，计算机在区分精神分裂症患者与健康人方面表现得更好，但在判断特定患者在某一时刻的症状有多严重方面则稍逊一筹。研究还证实，这些结果并非仅仅因为患者使用较短的句子或受教育程度较低；即使在研究人员考虑了这些因素后，效应依然存在。

虽然计算机区分群体的能力令人期待，但它并不完美。这项技术可以识别出人类评分者可能忽略的模式，但目前还不足以作为一种独立的诊断工具。研究表明，这种方法捕捉到了在某些精神疾病中语言崩溃的一个真实且可衡量的方面，为观察这种现象提供了一种新的、客观的方法。它表明，一个基于全人类集体语言进行训练的机器的统计预期，可以检测出那些在精神病性患者言语中存在的微妙且往往隐形的裂痕。这并不会取代人类医生的需求，但它提供了一个潜在的新工具，帮助医生通过一个人选择的词汇来洞察其心智的变化。

技术摘要：重新利用大语言模型作为检测跨诊断语音偏差的工具（针对精神病性-情感谱系）

问题陈述

精神医学在很大程度上依赖于语言和言语进行诊断及症状评估，特别是对于形式思维障碍（FTD），这是精神分裂症谱系障碍（SSD）的一个标志性特征。然而，临床对言语的评估具有主观性，存在异质性的评分者间信度问题，且难以规模化应用。虽然以往使用自然语言处理（NLP）的计算精神医学方法可以量化语义不连贯性，但它们往往忽略了语言基于前文语境的可预测性这一基本属性。此外，现有关于言语偏差的证据主要局限于小规模、英语语料库的研究，且多聚焦于单一诊断（主要是精神分裂症），而非跨诊断维度。本研究旨在探讨大语言模型（LLM）——由于其在海量文本语料库上训练以预测下一个 token（字符/词元）——是否可以作为一种客观工具，用于检测在精神疾病跨诊断谱系（SSD、双相障碍 [BD]、重度抑郁障碍 [MDD]）与健康对照组（HC）之间偏离统计语言预期（即“惊异度/surprisal”）的情况。

研究方法

参与者与数据收集：
本研究采用了一个包含 371 名参与者的德国横断面样本：178 名健康对照组（HC）、48 名精神分裂症谱系障碍（SSD）患者、26 名双相障碍（BD）患者和 119 名重度抑郁障碍（MDD）患者。参与者完成了主题联想测试（TAT），这是一种标准化的叙事刺激任务，他们根据四张图片讲述故事。语音被录音并由经过盲法处理的语言学家进行逐字转录，同时剔除了填充词。

LLM 惊异度计算：
核心指标“LLM 惊异度”被定义为自回归大语言模型（主要模型为 Qwen2.5-32B-Instruct）在句子层面的中值交叉熵损失（cross-entropy loss）。模型在“健康说话者”的人格提示词（persona prompt）下进行条件化处理。对于每个句子，通过计算模型预测损失（即 token 对数概率的负平均值）来得出。该指标量化了特定言语片段在多大程度上偏离了模型对连贯、典型语言的统计预期。

统计分析：

去混杂处理（Deconfounding）： 原始惊异度与平均句子长度（ASL）及人口统计学特征强相关。为了分离出疾病相关的信号，作者使用普通最小二乘（OLS）回归，针对年龄、性别、受教育年限（YoE）和 ASL 对惊异度进行了残差化处理。
组间比较： 使用 OLS 回归模型比较不同诊断组（SSD、BD、MDD）与 HC 之间的残差化惊异度。
临床相关性： 计算残差化惊异度与 18 个临床/认知变量（如 SAPS、SANS、TLI、言语智商）之间的 Spearman 相关系数。
增量预测价值： 使用嵌套逻辑回归模型，并通过赤池信息准则（AIC）、留一交叉验证曲线下面积（CV-AUC）、似然比检验（LRT）和 DeLong 检验，来确定添加 LLM 惊理度是否能在人口统计学特征和语义连贯性之外提升分类能力。
稳健性检查： 分析在不同模型架构（Qwen2.5-7B、LeoMistral-Hessianai-7b）、提示词配置（健康人格、患者人格、中性、无提示）以及关于句子长度和言语智商的敏感性分析中进行了重复。

关键结果

组间差异：

SSD： 在调整混杂因素后，精神分裂症谱系障碍患者表现出显著的 LLM 惊异度升高（ $\beta=0.49, P=0.002$ ）。
BD： 双相障碍患者也表现出显著但较小的惊异度升高（ $\beta=0.39, P=0.04$ ）。当加入言语智商作为协变量时，该效应变得不再显著。
MDD： 重度抑郁障碍患者与 HC 之间没有显著差异（ $\beta=-0.02, P=0.87$ ）。
梯度： 观察到了诊断梯度：SSD > BD > MDD $\approx$ HC。

临床相关性：

残差化惊异度与 18 个临床量表中的 8 个相关。最强的关联出现在言语智商（ $\rho=-0.25$ ）和阳性形式思维障碍（ $\rho=0.23$ ）上。
至关重要的是，在控制了诊断组别后，大多数症状关联（如阳性症状、躁狂）失去了显著性，这表明这些相关性是由组间差异驱动的，而非患者内部的症状严重程度驱动。
与言语智商的关联在控制诊断后依然存在，这表明在患者群体内部，语言可预测性与言语能力之间存在维度上的联系。

预测效用与稳健性：

增量价值： 对于整个队列和 SSD 子组，添加 LLM 惊异度显著改善了模型拟合度（LRT），优于仅包含人口统计学和语义连贯性的基准模型。然而，在交叉验证判别力（CV-AUC）方面的提升较为温和（例如，SSD 的 AUC 从 0.706 提高到 0.744；DeLong 检验 $P=0.059$ ）。
稳定性： 该信号在不同模型规模和提示词配置下均表现稳健。“健康人格”提示词产生的结果与中性或患者人格提示词的结果一致。
句子长度： 分解分析证实，SSD 中升高的惊异度是一种独立的“水平位移”（level shift），不受句子长度影响；而 BD 则表现出更复杂的交互作用，即与对照组的差距随句子变长而扩大。

意义与主张

本文声称，源自 LLM 的惊异度提供了一种可扩展、自动化的标记物，用于表征精神疾病中的语言改变，特别是捕捉那些无法被简化为句子长度、人口统计学混杂因素或简单语义连贯性的偏差。

跨诊断效用： 本研究将 LLM 指标的应用范围从精神分裂症扩展到了双相谱系，同时指出 MDD 中不存在显著偏差，从而支持了该指标具有精神病谱系特异性的效应。
超越传统评分： 该指标捕捉到了与临床相关且具有临床意义的变异（特别是 FTD），这种变异与传统的临床医生评分量表有重叠，但并不完全相同。它能检测出语法流利但在语境上脱轨的言语。
方法论贡献： 作者证明了交叉熵损失可以作为衡量语境语言组织能力的稳定指标。他们强调惊异度与言语能力的关系是复杂的（在对照组中呈 U 型，在患者中呈负相关），这表明惊异度反映的是对规范语言基准的偏离，而非简单的认知下降指标。
局限性与审慎态度： 作者明确指出，由于判别准确度适中（SSD 的 AUC $\approx$ 0.74）以及数据的横断面性质，该指标目前尚不足以支持独立的诊断用途。他们强调，由于采用了去混杂策略，该信号可能是一个保守的下限估计，并指出该领域需要进一步验证，包括优化模型规模、去混杂策略以及通过纵向追踪来区分“状态”与“特质”标记。

总之，本文将 LLM 惊异度定位为一种极具前景的数据驱动工具，用于表征精神病谱系障碍中的言语特性，为临床评估提供了客观补充，同时也承认在临床部署前需要进一步验证。

技术摘要：重新利用大语言模型作为检测跨诊断语音偏差的工具（针对精神病性-情感谱系）

问题陈述

研究方法

关键结果

意义与主张

类似论文