当AI接起那通“救我救我”的电话:浙江这家机构如何从声音和脑电波里,发现那个快要撑不住的人

精神科诊室里，最稀缺的从来不是耐心，而是一把客观的尺子。一个人是不是抑郁了、有没有自杀风险、睡眠到底出了什么问题——这些判断，很多时候仍然依赖量表得分和医生的经验直觉。

江海腾  浙江大学心理与行为科学系副主任

浙大精中研究员

脑机智能全国重点实验室临床基地办公室主任

中国心理卫生协会数字心理健康专业委员会委员

浙江大学心理与行为科学系副主任、浙江大学医学院附属精神卫生中心（杭州市第七人民医院）（以下简称“浙大精中”）研究员江海腾，过去几年把目光投向了两样每天都在产生、却长期被浪费的数据：心理热线的通话录音，以及一整夜睡眠脑电的波形。听起来很技术，但落到现实里，解决的都是很朴素的问题：怎么更早一点发现那个快要撑不住的人，怎么让基层医院也能做出靠谱的睡眠判读。

杭州市心理危机研究与干预中心有一条24小时热线：0571-85029595，谐音“救我救我”。2022年，这条热线标记的高危来电有259名；2023年，变成了270名。江海腾团队把这两年的通话数据整理出来，同时提取音频和转写文本，让模型去预测来电者的抑郁状态、自杀意念、自杀计划和高危等级。

结果有些反直觉：文本模型在所有分类任务上全面优于音频模型。一个人说了什么，比他怎么说，更能暴露危机。音频和文本融合也没有带来显著提升。这意味着，在热线场景里，听懂“话里的意思”比分析“声音的情绪”更重要。

但这不意味着大模型可以直接上线。在危机干预里，一个错误的“低危”判断可能是致命的。团队测试了64个大语言模型后发现，DeepSeek-R1在少样本设置下的召回率表现突出，自杀计划检测任务上甚至优于基于GPT嵌入的模型。

问题在于幻觉。他们的做法是让模型输出标签的同时，附带关键句索引和推理理由，再由精神科专家从标签一致性、逻辑合理性、临床相关性等维度盲审。预测正确时，解释得分普遍较高；预测错误时，即使文本读起来通顺，逻辑一致性也会明显滑坡。

睡眠占人生三分之一的时间，但睡眠脑电的自动判读在临床上一直不太受待见。原因不在准确率，在泛化性——不同医院的PSG设备通道数不同、电极配置不同，在一个中心训练的模型搬到另一个中心，性能往往撑不住。浙大精中睡眠中心年服务量超过5万人次，这个痛点他们感受很深。

江海腾团队提出的Large PSG Model （LPSGM）模型，核心思路是用通道掩码技术让模型接受任意通道配置的输入。全球16个公开站点约22万小时的数据可以混在一起训练，到了目标医院再用本地数据测试，性能依然稳得住。杭州中心测试准确率85%左右，中山大学测试集也接近这个水平。

人工专家与AI对比没有显著差异

更关键的是与人的对比：在浙大精中，三名睡眠技师对20例PSG进行人工判图，与LPSGM模型自动分期的结果做对照。AI与专家之间的差异没有统计学显著性（准确率p=0.74）。这意味着在判图这件事上，模型已经可以站在技师旁边了。

SleepVLM整体框架

团队还做了一件让临床医生更愿意用的事：SleepVLM。传统的热力图只能告诉医生模型在关注哪一段波形，但说不清为什么判成N2期。SleepVLM把视觉语言模型引入睡眠分期，输出标签的同时引用AASM判读规则生成自然语言解释。专家盲审中，87%到89%的推理被评为优秀。每一个分期决策都可被医生审计和推翻——这是AI进入临床决策链的前提。

微调之后，同一个基座模型在发作性睡病、睡眠呼吸障碍严重程度和抑郁症识别上的AUC都超过了0.84。睡眠结构本身在说话，问题只是有没有人把它翻译出来。

目前，基于LPSGM的睡眠分期能力已经部署到覆盖三省七市九家医院的平台上。流程并不复杂：患者完成睡眠监测后，数据上传平台，AI自动生成分期报告，技师在此基础上做审核和修订。整晚睡眠分析报告从原先人工判读的1到2小时，压缩到了5到10分钟，效率提升十倍。对于睡眠中心每天面对大量PSG数据的技师来说，省下来的不是一点时间，是精力。把重复性判读交给模型，人才有余力去看那些真正需要人眼和经验去判断的疑难片段。

内容来源：本文根据江海涛研究员在第18届全国心理卫生学术大会上的演讲整理，经过专家审核。