کاربردهای هوش مصنوعی در تشخیص فوبیا: مروری جامع بر رویکردهای یادگیری ماشین، یادگیری عمیق و روش های چندوجهی

زمینه و هدف: اختلالات فوبیک از شایع ترین اختلالات اضطرابی در سطح جهانی هستند که تقریبا ۱۲.۵ درصد از جمعیت دنیا را در طول عمرشان تحت تاثیر قرار می دهند. روش های تشخیصی سنتی عمدتا بر مصاحبه های بالینی، پرسشنامه های خودگزارشی و قضاوت بالینگر متکی هستند که اغلب زمان بر، ذهنی و برای جمعیت های بزرگ دسترس ناپذیرند. یکپارچه سازی هوش مصنوعی (AI) در تشخیص بهداشت روان، پتانسیل دگرگون کننده ای برای تشخیص عینی، مقیاس پذیر و زودهنگام حالات فوبیک ارائه می دهد. روش شناسی: این مرور جامع به صورت سیستماتیک مطالعات منتشرشده بین سال های ۲۰۱۵ تا ۲۰۲۵ را از پایگاه های داده PubMed، Scopus، IEEE Xplore و Web of Science بررسی می کند. در مجموع ۱۲۷ مطالعه واجد شرایط ورود بودند. کاربرد یادگیری ماشین (ML)، یادگیری عمیق (DL)، پردازش زبان طبیعی (NLP)، بینایی کامپیوتر، روش های مبتنی بر الکتروانسفالوگرافی (EEG) و رویکردهای ادغام چندوجهی در تشخیص و طبقه بندی خودکار فوبیاها تحلیل شدند. نتایج: سیستم های مبتنی بر هوش مصنوعی دقت تشخیصی بین ۷۸ تا ۹۷.۳ درصد در انواع مختلف فوبیا به دست آوردند. مدل های یادگیری عمیق عموما عملکرد بهتری نسبت به طبقه بندهای سنتی ML داشتند. رویکردهای چندوجهی که سیگنال های فیزیولوژیک، تحلیل حالات چهره و ویژگی های زبانی را ترکیب می کنند، بالاترین عملکرد را نشان دادند. نتیجه گیری: فناوری های AI فرصت های قابل توجهی برای انقلاب در تشخیص و پایش فوبیا ارائه می دهند. چالش هایی در زمینه تنوع مجموعه داده، تفسیرپذیری مدل، ملاحظات اخلاقی و اعتبارسنجی بالینی باقی می مانند. تحقیقات آینده باید استقرار در دنیای واقعی، توسعه مجموعه داده های بین فرهنگی و رویکردهای یادگیری فدرال را در اولویت قرار دهد.

کلیدواژه ها:

هوش مصنوعی ، تشخیص فوبیا ، یادگیری ماشین ، یادگیری عمیق ، اختلالات اضطرابی ، EEG ، تحلیل چندوجهی ، درمان با واقعیت مجازی ، پردازش زبان طبیعی ، تشخیص بهداشت روان