可解释AI筛查孟加拉儿童创伤：无需训练多模态框架

背景

孟加拉国每10万人口中仅有约1.17名精神卫生专业人员，全国只有六名儿童精神科医生。目前，该国缺乏经过文化适配的孟加拉语工具，用于对儿童虐待相关心理创伤进行早期筛查。这一资源匮乏的现状迫使研究者探索利用可及的多模态数据（如标准化问卷、叙述文本、绘画和面部表情）构建低成本的决策支持系统。

核心内容

本文提出了 ShishuRaksha AI——一个非诊断性的决策支持框架，用于筛查孟加拉儿童中与虐待相关的心理创伤。该框架融合了四种筛查模态：

1. 标准化问卷：采用 SDQ（Strength and Difficulties Questionnaire）和 CPSS（Child PTSD Symptom Scale）；
2. 孟加拉语叙述文本：儿童或监护人提供的自由叙述；
3. 房-树-人（HTP）绘画特征：基于文献先验提取的绘画特征；
4. 面部表情分析：采集儿童面部情感数据。

融合机制：采用免训练（training-free）、临床加权的方式，通过跨模态注意力（cross-modal attention）进行融合，并包含单模态覆盖规则（当某一模态置信度极高时允许覆盖融合结果）。每个风险评分都通过基于临床加权的、基于扰动的加性归因（perturbation-based additive attribution）进行解释，并生成为双语（孟加拉语/英语）报告，同时根据《2013年儿童法案》提供转介至国家儿童保护服务（OCC、DSS、NMHH）的指引。

数据与评估：由于现阶段无法伦理收集真实受虐儿童临床数据集，研究者构建了一个噪声感知的合成基准（500例，其中阳性116例，占23.2%），引入四层有意的噪声层，并采用文献支持的 HTP 先验。对融合设计的树集成代理模型（排除面部通道）进行5折分层交叉验证。结果显示：融合模型的 AUC 为 0.874 [0.834–0.908]，而仅使用 SDQ 的基线模型 AUC 为 0.756 [0.705–0.803]。此外还进行了消融分析、操作点分析、亚组分析和校准分析。

局限性：作者明确列出了所有局限，包括仅使用合成数据、无独立的保留测试集、文本特征存在循环性（text-feature circularity）、城乡亚组差距等。本文被视为一项可行性研究，旨在为低资源环境中可伦理部署的儿童保护筛查提供设计贡献。

关键要点

• 问题：孟加拉国严重缺乏儿童精神卫生专业人员，且无文化适配的孟加拉语早期筛查工具。
• ShishuRaksha AI：一个融合问卷、叙事文本、HTP绘画和面部表情的免训练、可解释的多模态决策支持框架。
• 免训练融合：采用临床加权和跨模态注意力，无需重新训练模型，通过单模态覆盖规则处理置信度极高的单个模态。
• 可解释性：每个风险分数均通过基于扰动的加性归因生成，并以双语报告呈现，附带儿童保护服务转介路由。
• 合成基准：由于伦理限制，构建了500例噪声感知合成数据（阳性率23.2%），模拟真实场景中的噪声（如缺失值、人工标注噪声、设备噪声等）。
• 性能：融合模型 AUC 0.874，显著优于 SDQ 基线（0.756）；消融、操作点、亚组和校准分析进一步验证了模型行为。
• 开放局限性：包括仅合成数据、无独立测试集、文本特征循环性、城乡亚组表现差异等。强调这是可行性研究，不得用于临床诊断。

意义与影响

这项工作的主要贡献在于为极端低资源环境下的儿童虐待创伤筛查提供了一种无需大规模临床数据训练、具有文化适配性和可解释性的技术框架。其意义体现在三个方面：

1. 伦理先行：在无法直接采集受虐儿童临床数据的阶段，通过合成数据和噪声建模确保研究不会因数据收集本身造成二次伤害，同时为未来真实部署提供基础。
2. 跨模态协同：融合多种低成本、非侵入性指标（问卷、自由文本、绘画、面部），并采用免训练加权融合，避免了高昂的模型训练和数据标注成本，适合资源受限国家。
3. 政策衔接：输出结果直接对接国家儿童保护系统（如 OCC、DSS、NMHH），使筛查结果能迅速转化为行动，而非孤立的技术指标。

尽管目前仅为可行性研究，但该方法论为发展中国家开发符合当地文化、语言和基础设施条件的儿童心理健康筛查工具提供了可复现的范本，也为AI在精神卫生领域的伦理部署提供了有价值的参考。