注册

眼动特征或可标记青少年抑郁严重程度

论文AI 评分 58/100arXiv cs.AI待复核
AI 聚合

本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。

一项单中心横断面研究纳入155名14至20岁参与者，完成情绪-空间自由观看与记忆引导回忆任务，并按17项汉密尔顿抑郁量表得分分层。研究考察六个任务相关领域的19个预设眼动特征，采用协变量调整的序数趋势模型。结果显示抑郁严重度越高，注视分配熵越低、区域间切换越少、首次进入目标区潜伏期越长、目标停留比例越低。情绪特异性注意偏向指标与严重度无关。机器学习分析使用44个候选眼动特征与人口学协变量，三阶段级联分类器四分类表现最优。

全文梳理

AI 摘要依据下方信源原文自动整理，非原文转载

研究设计与样本

该研究为单中心横断面设计，共155名14至20岁的青少年与年轻成人参与。参与者完成两类任务：情绪-空间自由观看与记忆引导回忆。研究者依据17项汉密尔顿抑郁量表得分对参与者进行分层，以便考察抑郁严重度与眼动行为之间的关联。分析聚焦于六个任务相关领域内的19个预设眼动特征，并采用协变量调整的序数趋势模型来检验这些特征与严重度分层之间的关系。这种设计把眼动指标放在任务情境中考察，而非仅做静态测量。

与严重度相关的眼动指标

结果显示，抑郁严重度更高与若干眼动模式相关：注视分配熵更低，区域间切换次数更少，首次进入目标区域的潜伏期更长，目标停留比例更低。这些关联在错误发现率校正后均达到统计显著。相对地，情绪特异性的注意偏向指标并未表现出与严重度的关联；涉及注视离散度的关联在调整焦虑症状后减弱。研究者据此认为，观察到的差异更指向视觉探索与记忆引导注视控制的改变，而非泛化的负性注意偏向。

机器学习分层表现

在补充的机器学习分析中，研究者纳入44个候选眼动特征以及人口学协变量，比较不同分类策略。三阶段级联分类器取得最高的四分类分层表现：准确率0.665，宏F1为0.670，受试者工作特征曲线下面积为0.869，优于单阶段与两阶段方案。这一结果说明，将多个眼动特征组合并分阶段处理，可能比单一模型更有效地对应抑郁严重度分层，但研究本身仍属横断面性质，作者提出需要进一步开展前瞻性评估，以检验任务诱发眼动追踪作为严重度评估与临床决策支持的补充手段是否可行。

为什么值得看

用任务诱发眼动作为抑郁严重度的客观数字标记，为临床评估提供可解释的行为学补充路径。

信源1 家

  1. [1]arXiv cs.AI一手信源Task-evoked eye movements as candidate digital biomarkers of depression severity in adolescents and young adults

关键事实

  • 研究纳入155名14至20岁参与者，按17项汉密尔顿抑郁量表得分分层。[1]

  • 研究考察六个任务相关领域的19个预设眼动特征，使用协变量调整的序数趋势模型。[1]

  • 抑郁严重度与注视分配熵、区域间切换、目标停留比例呈负相关，与首次进入目标区潜伏期呈正相关。[1]

  • 机器学习分析使用44个候选眼动特征与人口学协变量，三阶段级联分类器四分类准确率0.665、宏F1为0.670、ROC曲线下面积0.869。[1]

相关 · 论文

DreamX 将预训练视频扩散模型改造为通用潜在动作学习器

11月4日 周三·AI 78

arXiv 论文提出「认知共生体」概念，主张 AI 增强人的智能

11月4日 周三·AI 58

独立复现 DNO-Prct：Llama 3.1 8B 对 GPT-4o 胜率升…

11月4日 周三·AI 72

研究提出 PEARL 方法，用于持久抑制语言模型的不对齐行为

11月4日 周三·AI 78

本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。

去论坛讨论