Deep Medicine [Chapter 8] 看見無聲的求救：心理健康的新路

在精神醫學變得比無腦更無心的四十年後，也許數位表型分析能幫助鐘擺重新擺向對行為、認知和情緒的全新審視。
After 40 years of psychiatry becoming more mindless than brainless, perhaps digital phenotyping will help the pendulum swing back toward a fresh look at behavior, cognition, and mood.
 — Том INSEL

每個星期四早晨，Dr. Eric 都有一個儀式：瀏覽最新一期的《經濟學人》雜誌，科學版通常會報導三到四個有趣但並未廣泛報導的主題；Dr. Eric 看過最令人印象深刻的文章之一，是關於人類寧願將內心最深的秘密託付給機器，而不是其他人 — — 特別是醫師。那篇文章引用期刊《人機行為》的論文，副標題寫「虛擬身心科醫師有時可能比真正的醫師更好。」（”Artificial Intelligence and Psychology: The Computer Will See You Now,” Economist. 2014.）《經濟學人》的描述在這個心理健康負擔巨大、但提供專業的人員有限的時代，確實具有深遠的意義。

這項研究是洛杉磯創意技術研究所創新虛擬人研究的一部分（Lucas, G. M., et al., “It’s Only a Computer: Virtual Humans Increase Willingness to Disclose.” Computers in Human Behavior, 2014. 37: pp. 94-100.），作者 Lucas 和他的團隊從 Craigslist 招募了 239 人，受試者招募標準是年齡在 18 到 65 歲之間並且視力良好，所有受試者都接受了名為艾莉的人類化身訪談，受試者透過電視螢幕看到她，一半的人被隨機分配到一組，實驗者告訴受試者艾莉不是人類，而另一半則被告知艾莉是由人類遠端控制的。艾莉提出的問題逐漸變得更加親密和敏感，比如「告訴我，你上次感到真正快樂是什麼時候？」受試者的臉部表情都被監控，訪談過程交由三名心理學家審查，他們不知道哪些受試者被告知艾莉是電腦控制的、哪些被告知她是人類控制的。這些數據被用來量化恐懼、悲傷和受試者在訪談期間的其他情緒反應，以及他們對問題的開放程度。從各個指標來看，當受試者認為他們正在與虛擬人而不是真人交流時，他們願意揭露更多。幾個與虛擬人互動的受試者表示：「這比跟人交談要好得多，我真的不太願意跟其他人談論私人的事情」。

這個實驗為 1965 年首次被提出的一個想法提供了實證證據，當時人們首次向 ELIZA（以蕭伯納《皮格馬利翁》中的角色伊萊莎·杜利特爾命名，注意與本研究中艾莉的相似性）敞開心扉，這是麻省理工學院約瑟夫·韋岑鮑姆的一個非常早期的電腦程式，旨在模仿心理治療會談，將人的答案轉化為問題；這種使用虛擬人能夠奏效的證據，花了幾十年才建立起來，似乎對於深層思想的揭露，虛擬人比人類具有明顯的優勢。在 Dr. Eric 參加 2018 年《華爾街日報》健康議題論壇上，大多數被調查的與會者表示他們會很樂意、甚至更願意與機器而不是醫師分享他們的秘密。一個有近 2000 人回覆的有趣推特調查問道：「如果你有一個尷尬的醫療問題，你寧願告訴誰、並從誰那裡得到治療：(1) 你的醫師，(2) 某個醫師/護理師，還是 (3) 機器人？」機器人以 44% 對 42% 險勝「你的醫師」（Farr, C., “You have an embarrassing medical condition. Would you rather tell and get treatment from: (1) Your doctor; (2) A doctor/nurse; (3) A bot.” Twitter, 2017; Knight, W., “Andrew Ng Has a Chatbot That Can Help vith Depression,” Technology Review. 2017.）。

雖然 Lucas 的研究並未招募有心理健康問題的人，但近年來，專門為有心理或情緒困擾的人開發出越來越多數位工具，把使用者跟他們不認識的人連結起來。7 Cups of Tea（簡稱為 7 Cups）於 2013 年推出，提供與受過訓練的志工免費的線上聊天，到 2017 年超過 23 萬名使用 140 種語言的志工已經幫助了 189 個國家超過 2500 萬的人，其中約一半在美國。其他例子包括擁有超過 50 萬使用者的 Talkspace App、在英國 NHS 一項類似 App 的試點研究已經招募了 120 萬倫敦居民、其他工具也已經將人類與使用自然語言處理的聊天機器人連結起來，2017 年美國有 800 萬人與 Cleverbot 聊天，只是為了有個說話的對象（Richardson, J. H., “AI Chatbots Try to Schedule Meetings-Without Enraging Us,” Wired. 2018.）。在中國，微軟發佈名為小冰的聊天軟體，迅速積累了超過 2000 萬註冊使用者，也已經開始開發用於心理健康陪伴的聊天機器人；由吳恩達主導開發的 Woebot 在最初幾個月的使用者數量就超過了心理師一百年內能看到的人數（”Podcast: Uncovering the Real Value of Al in Healthcare with Andrew Ng,” Rock Health. 2017.）。

目前我們對行為、情緒和認知的評估在很大程度上是主觀的，在人造的臨床環境中進行簡短的單次性訪談，通常是為了回應個案在心理健康遭遇到的困難，而不是預防。拜科技之賜，我們可以考慮藉由客觀數據以深度表型化情緒和心理健康狀態的方法，讓個案的許多特徵都可以數位化，且多數可以藉由個案的智慧型手機被動獲取。隨著穿戴式連接感測器的普及，許多生理參數可以在不干擾使用者的情況下被連續收集，如此個案便有大量數據供 AI 處理。如美國國家心理健康研究所前所長湯姆·英賽爾所說：「有誰能預見到自然語言處理和人工智慧的革命，在手機上收集的語音成為嚴重精神疾病的可能早期預警信號？」（Insel, T. R., “Digital Phenotyping: Technology for a New Science of Behavior.” JAMA, 2017. 318(13): pp. 1215–1216; Or, F., J. Torous, and J. P. Onnela, “High Potential but Limited Evidence: Using Voice Data from Smartphones to Monitor and Diagnose Mood Disorders.” Psychiatr Rehabil J, 2017. 40(3): pp. 320–324.）

語音：韻律、音量、母音空間、詞彙選擇、片語長度、連貫性、情感
聲音：效價、語調、音高、語調變化
鍵盤：反應時間、注意力、記憶力、認知
智慧型手機：身體活動、運動、溝通、社交性、社群媒體、推文、表情符號、Instagram
臉部：情緒、抽動、微笑和長度、看向地面、眼球運動、眼神接觸
感測器： 心率、心率變異性、皮膚電反應、皮膚溫度、血壓、呼吸模式、嘆息次數、睡眠、姿勢、手勢

以上指標可以應用於特定問題，南加州大學的研究人員開發能夠使用 74 個聲學特徵（包括音質、顫抖、音高、音量、抖動和韻律）來預測婚姻不和的軟體，準確性與治療師相當或更好（Carr, N., “How Smartphones Hijack Our Minds,” Wall Street Journal. 2017.）；後來將訪談的專家手動編碼與聲學數據進行比較，基於聲音的機器學習算法不僅捕獲比專家更多的相關訊息，而且在預測結果方面也明顯更好（Nasir, M., et al., “Predicting Couple Therapy Outcomes Based on Speech Acoustic Features.” PLoS One, 2017. 12(9): р. 0185123.）。

一項對 34 名年輕人（平均年齡 22 歲）的小型研究進行連貫性分析語音的許多特徵，如短語長度、混亂、困惑和詞彙選擇，以預測有思覺失調症風險的病人是否會發病，而模型的表現超過了專家臨床評級（Bedi, G., et al., “Automated Analysis of Free Speech Predicts Psychosis Onset in High-Risk Youths.” NPJ Schizophr, 2015. 1: p. 15030.）；NeuroLex Diagnostics 的成立是為了讓基層醫師可以獲得診斷思覺失調症、雙相情感障礙和憂鬱症的工具，並開發了一個在亞馬遜 Alexa 上運作的原型（Frankel, J., “How Artificial Intelligence Could Help Diagnose Mental Disorders,” Atlantic. 2016.）。

人們使用智慧型手機鍵盤的方式也可以是一個有用的標記，Mindstrong 這間公司將使用手機鍵盤的行為分解為 45 種模式，包括滾動、空格與字符類型之間的延遲時間，研究數據在初步分析中與認知功能和情緒的黃金標準測量顯著相關（如下圖）；伊利諾大學的電腦科學家透過深度學習和自定義鍵盤（配有加速度計）進一步延伸這個概念，使用他們構建的名為 DeepMood 演算法，在一項 Pilot Study 中以非常高的準確性預測憂鬱症，為透過個人鍵盤活動進行被動情緒追蹤提供了概念驗證（Cao, B., et al., DeepMood: Modeling Mobile Phone Typing Dynamics for Mood Detection. ar Xiv, 2018.）。

Cogito 這間公司是由 Dr. Eric 見過也非常尊敬學者和麻省理工學院教授亞歷克斯「桑迪」潘特蘭和約書亞·費斯特共同創立，桑迪的人類動力學實驗室幾十年來一直在研究「誠實訊號」 — — 我們下意識和非言語表達關於自己內心世界的方式。誠實訊號包括我們說話時的語調、流暢度、對話參與度和精力，Cogito 使用深度學習演算法和誠實訊號構建名為 Companion 的 App，被心理師、護理師和社工用來監控個案的心理健康。藉由錄製和上傳音頻日記，Companion 可以分析他們的說話方式來評估個案的狀態，捕捉憂鬱症和情緒變化的線索，還可以進行對話的實時分析，被醫療保險公司用來處理客戶電話（Bercovici, J., “Why the Secret to Making Customer Service More Human Isn’t Human at All,” Inc. Magazine. 2017.），還被美國退伍軍人事務部用於 24/7 電話監控來確認高風險退伍軍人的心理健康（Stix, C., “3 Ways AI Could Help Our Mental Health,” World Economic Forum. 2018.）。

Instagram 的照片也很有啟發性，這個社群媒體平台每天至少有好幾億新貼文，2017 年安德魯·里斯和克里斯托弗·丹福思使用深度學習處理了來自 166 人的 43,950 張 Instagram 照片，其中 71 人有憂鬱症病史（Reece, A. G., and C. M. Danforth, “Instagram Photos Reveal Predictive Markers of Depression.” EPJ Data Science, 2017. 6.）。許多照片特徵都可作為分析的依據：是否有人在場、環境是室內還是室外、白天還是夜晚、像素的顏色和亮度、照片的評論和點讚、使用者的發文頻率等，可以用來在臨床診斷之前提早警示憂鬱症的發生，並且與該人對自己的心理健康評估不相關。Instagram 濾鏡去除顏色等特徵比預期更能區分憂鬱症和未得憂鬱症的群體（下圖），機器檢測憂鬱症的準確性為 70%，與一般科醫師相比表現良好，基層非身心科醫師對憂鬱症的誤診率超過 50%（Mitchell, A. J., A. Vaze, and S. Rao, “Clinical Diagnosis of Depression in Primary Care: A Meta-Analysis.” Lancet, 2009. 374(9690): pp. 609–619.），精神科專科醫師表現更好，但在美國絕大多數憂鬱症病人是由基層醫師看診的，或者根本沒有就醫，更不用說精神科醫師了。

不過，許多感測器尚未經過準確性驗證，它們不一定能夠測量到聲稱要測量的東西，例如睡眠品質通常透過簡易感知佩戴者睡眠期間動作的腕帶或手錶來評估，但要真正了解病人的睡眠狀態，這些動作需要與腦波建立相關性，而這還很少有產品做到。生物標記物可能也太簡化，正如紐約大學教授努齊奧·波馬拉所說：「憂鬱症太複雜，不能簡化為單一 Biomarker。」（Landhuis, E., “Brain Imaging Identifies Different Types of Depression,” Scientific American. 2017.）我們不知道哪些 Biomarker、或者其中有多少，對於做出準確診斷或監控治療反應是關鍵的，我們需要一台電腦來計算數百萬種排列和組合，迄今為止進行的研究 規模都很小且範圍狹窄，通常專注於特定的 Biomarker，很可能某些標記物的組合非常有用，但我們還不知道正確的組合是什麼、或者它是否因每個個體或病症而異，對創傷後壓力症候群（PTSD）有效的可能對憂鬱症非常不準確；如何以低成本軟體生成反饋、無痕收集數據的實際問題目前也尚未得到解決。

憂鬱症是迄今為止最常見的心理健康障礙，每天有超過 3.5 億人與之搏鬥（”The Burden of Depression.” Nature, 2014. 515(7526): p. 163.），佔全球疾病總負擔的 10% 以上，每年有 7% 的美國人（1600 萬成年人）被臨床診斷為憂鬱症，精神障礙的終生風險約為 30%。在美國每年在心理健康上花費超過 2000 億美元中，絕大部分與憂鬱症有關 — — 即使有如此巨大的支出，並非每個人都能看到醫師，更不用說得到幫助。2016 年在美國超過 1600 萬有嚴重憂鬱症發作的成年人中，37% 沒有接受任何治療（McConnon, A., “Al-Powered Systems Target Mental Health,” Wall Street Journal. 2018.）。在 Biomarker 時代之前，當個案滿足九項標準中的五項時，憂鬱症可透過《精神障礙診斷和統計手冊》（DSM）標準診斷，包括憂鬱情緒、睡眠或身體活動變化、無價值感和快感缺失，其中許多很難定量或客觀評估。

先前許多專業人員嘗試幾種方法使診斷更加量化，例如測量腦波，儘管佩戴頭部設備來提供大腦電氣活動確實不像是追蹤心理狀態的可擴展或實用方法，但中國的一些雇主要求工人佩戴腦電波監控帽（Winick, E., “With Brain-Scanning Hats, China Signals It Has No Interest in Workers’ Privacy,” MIT Technology Review. 2018.）；沒有數據顯示這些腦波帽能捕獲高保真腦波，更不用說這些數據是否能準確判定一個人的情緒狀態，但它確實做實了對員工隱私的公然漠視。儘管如此，從長遠來看，無論是不顯眼的可穿戴設備還是植入大腦的晶片，腦波數據在理論上可能有用（但一點也不誘人）。

作為研究工具，大腦核磁共振造影已被證明是表徵憂鬱症的強大 Biomarker，運用大腦白質的擴散張量 MRI 和機器學習，重度憂鬱症被證明與健康對照組的腦部影像截然不同（Schnyer, D. M., et al., “Evaluating the Diagnostic Utility of Applying a Machine Learning Algorithm to Diffusion Tensor MRI Measures in Individuals with Major Depressive Disorder.” Psychiatry Res, 2017. 264: pp. 1–9.）；威爾康奈爾醫學院的康納·李斯頓和同事分析了近 1200 人的影像，其中 40% 被診斷為憂鬱症（Schnyer et al., “Evaluating the Diagnostic Utility.” Drysdale, A. T., et al., “Resting-State Connectivity Biomarkers Define Neurophysiological Subtypes of Depression.” Nat Med, 2017. 23(1): pp. 28–38.）。當把 MRI 來自 258 個大腦區域訊號波動餵給機器學習模型時，它可識別出四種不同的生物模式（見下圖），所有這四種大腦連接模式都與健康對照組不同，每種都有相關的症狀複合體，如疲勞、失眠或快感缺失，這些模式還預測了接受經顱磁刺激病人的治療反應，rTMS 對生物型 1 和 3 的人有幫助（約 70% 有效），而生物型 2 和 4 的人反應較差（25% 反應）。比較來自思覺失調症或廣泛性焦慮症（GAD）病人的 MRI 時，前者幾乎沒有重疊，但大多數 GAD 個體符合四種憂鬱症生物型之一。

機器學習演算法也已被用於其他小型研究中，使用功能性 MRI 腦部影像來識別與重度憂鬱症障礙相關的模式，與健康對照組做對照（Schnyer et al., “Evaluating the Diagnostic Utility.”）。除了鍵盤行為和 Instagram 之外，其他研究專注於更日常的 Biomarker，如聲音、語音來診斷和表徵憂鬱症，包括 Sonde Health 的產後憂鬱症（Comstock, J., “Sonde Health Will Use MIT Voice Analysis Tech to Detect Mental Health Conditions,” MobiHealthNews. 2016.）和紐約大學的查爾斯·馬爾馬的 PTSD 研究（Vergyri, D., et al., “Speech-Based Assessment of PTSD in a Military Population Using Diverse Feature Classes.” Proc. Interspeech, 2015: pp. 3729–3733.），馬爾馬使用神經網絡來識別出 30 個聲音特徵，區分患有 PTSD 的退伍軍人與未受影響的退伍軍人或健康對照組。機器學習演算法也已被用於臨床來預測病人對抗憂鬱藥物的反應，但到目前為止，準確性徘徊在 60% 左右，就像在二十面骰子上擲出六一樣（Chekroud, A. M., et al., “Cross-Trial Prediction of Treatment Outcome in Depression: A Machine Learning Approach.” Lancet Psychiatry, 2016. 3(3): pp. 243–250.）。

近來，使用 AI 預測和預防自殺引起了相當大的興趣，在過去 40 年中，美國的自殺率一直在上升，2017 年造成超過 44,000 人死亡（Hutson, M., “Machine-Learning Algorithms Can Predict Suicide Risk More Readily Than Clinicians, Study Finds,” Newsweek. 2017.），或每天超過 120 起自殺案件（”Suicide Statistics,” American Foundation for Suicide Prevention, July 19, 2018. https://afsp.org/about-suicide/suicide-statistics/.），比謀殺、愛滋病、車禍和戰爭還多；來自全球的數據也令人震驚：每年有 2500 萬次自殺未遂、1.4 億人考慮過自殺，近 80% 自殺的人在最近一次就診時向醫師和治療師隱瞞了他們的自殺念頭（Denworth, L., “Could a Machine Identify Suicidal Thoughts?,” Scientific American. 2017.），一篇對 50 年來 365 則自殺研究、來自 2,542 篇論文的 Review，研究了超過 3,400 個不同指標，發現最多那些幾千個風險因素只是自殺念頭、自殺未遂或完成自殺非常弱的預測因子 — — 僅比隨機猜測稍好（Franklin, J. C., et al., “Risk Factors for Suicidal Thoughts and Behaviors: A Meta-Analysis of 50 Years of Research.” Psychol Bull, 2017. 143(2): pp. 187–232; McConnon, A., “Al Helps Identify Those at Risk for Suicide,” Wall Street Journal. 2018. p. R7.）。

2017 年，范德比爾特大學和佛羅里達州立大學的一組研究人員回顧了來自田納西州住院病人的 200 萬份去識別化電子病歷後，發現 3000 多名有自殺未遂的病人；他們將非監督學習演算法應用於病歷的數據，準確預測自殺未遂近 80% 的時間（最多六個月窗口），與傳統風險因素的邏輯回歸 60% 相比表現相當好（Walsh, C. G., et al., “Predicting Risk of Suicide Attempts over Time Through Machine Learning.” Clinical Psychological Science, 2017. 5(3): pp.
457–469.）。研究人員指出，如果他們能獲得諸如生活事件、婚姻破裂或失業、情緒或行為的突然變化以及社群媒體數據等訊息，演算法可以更加優化（Hutson, “Machine-Learning Algorithms Can Predict Suicide Risk.” Walsh et al., “Predicting Risk of Suicide Attempts.”）。

辛辛那提兒童醫院的約翰·佩斯蒂安開發的機器學習演算法在 479 名病人中達到 93% 的準確性來預測嚴重的自殺風險，它納入現實世界互動的數據，如笑聲、嘆息和憤怒表達。卡內基梅隆大學的研究人員對 17 名有自殺念頭的人和 17 名對照進行了一項非常小的功能性 MRI 大腦影像研究，機器學習演算法能夠準確檢測與自殺未遂相關的「神經語義」特徵，每個病人在接受 MRI 時，都會看到三組十個詞（如「死亡」或「陰鬱」），六個詞和五個大腦位置確定一個區分模式；機器學習在自殺組的 17 名病人中正確分類了 15 名的 Brain MRI，在 17 名健康對照組中正確分類了 16 名，這項研究從學術角度來看很有趣，但實用性有限，因為我們不太可能做 MRI 來篩選有自殺風險的人。

研究人員還利用社群媒體來識別自殺風險和情緒困擾，使用中國微博的文本透過機器學習進行分析，檢測到一些詞彙分類器（Cheng, Q., et al., “Assessing Suicide Risk and Emotional Distress in Chinese Social Media: A Text Mining and Machine Learning Study.” J Med Internet Res, 2017. 19(7): p. e243.）；Facebook（現在的 Meta）也會挖掘有自我傷害風險的使用者的貼文，在 2016 年推出 Facebook Live 後，它被幾個人用來直播他們的自殺過程，為了防止往後繼續發生這類悲劇，2017 年 CEO 馬克·祖克伯格宣布了新演算法，尋找貼文和運用詞彙的模式，供專職的員工快速審查：「未來，AI 將能夠理解語言更多的微妙差別，並將能夠識別除自殺之外的不同問題，包括快速發現更多型態的霸凌和仇恨。」不幸的是 Facebook 拒絕披露算法細節，但公司聲稱已經與超過一百名打算自我傷害的人進行了及時介入。

資料科學家現在正在使用機器學習處理危機熱線的 7500 萬則文本來試圖解開文本或表情符號背後潛藏的風險因素（Resnick, B., “How Data Scientists Are Using Al for Suicide Prevention,” Vox. 2018.），即使是這些使用 AI 檢測憂鬱症和自殺風險的早期嘗試也顯示出一些有希望的跡象，表明我們可以比傳統的主觀和臨床風險因素做得更好。技術可能演變成一個良性循環，如智慧手機的數位裝置不僅可以用來輔助診斷，還可以作為治療的管道。

另一種可能的方法是將認知行為療法（CBT） — — 一種傳統上仰賴密集面對面會談的心理治療形式 — — 帶到我們的手機上。CBT 有許多定義，主要是改變不適應的思維或行為模式 — — 「幫助人們辨識和改變消極、自我毀滅的思維模式。（Anthes, E., “Depression: A Change of Mind.” Nature, 2014. 515(7526): pp. 185–187.）」CBT 的數位版本似乎在治療憂鬱症（至少是輕度到中度類型）方面具有與實體密集面對面訪談相似的效果，目前已有很多 CBT 數位 App，包括 Lantern、Joyable、MoodGYM 和 Ginger.io；18 項隨機對照試驗的 Meta-Analysis，有超過 3400 名病人使用 22 個治療憂鬱症的智慧型手機應用程式，顯示出顯著改善（Firth, J., et al., “The Efficacy of Smartphone-Based Mental Health Interventions for Depressive Symptoms: A Meta-Analysis of Randomized Controlled Trials.” World Psychiatry, 2017. 16(3): pp. 287–298.）。

所有研究的 App 都涉及與人類的互動，但並非所有 App 都依賴人類互動。Wysa，一個企鵝聊天機器人，在短短三個月內吸引了 50,000 名使用者，進行了 100 萬次對話，超過五百人寫評論說它對他們的心理健康問題有多大幫助（Aggarwal, J., and W. Smriti Joshi, “The Future of Artificial Intelligence in Mental Health,” DQINDIA online. 2017.）。Woebot 使用即時通訊 App 與使用者進行會話，它通常以開放式問題開始，如「你的世界現在發生了什麼？」和「你感覺如何？」自然語言處理既量化使用者的心理健康狀態，又定義對話路徑來提供 CBT，這個基於文本、對話式、情緒追蹤的聊天機器人在 70 名大學生的小型隨機試驗中，受試者被分配為單獨 CBT 或與 Woebot 一起，發現 Woebot的參與度更好（Fitzpatrick, K. K., A. Darcy, and M. Vierhile, “Delivering Cognitive Behavior Therapy to Young Adults with Symptoms of Depression and Anxiety Using a Fully Automated Conversational Agent (Woebot): A Randomized Controlled Trial.” JMIR Ment Health, 2017. 4(2): p. e19.），與 CBT 組相比有更多減少憂鬱症的跡象。另一個為心理治療設計的聊天機器人是 X2AI，檢測語音、措辭、打字速度和語法語音的廣泛數據，以與情緒狀態相關。

CBT 和聊天機器人產品可能在心理健康促進領域表現優異，這個領域嚴重缺乏健康專業人員；在美國和高收入國家，超過一半的精神障礙病人沒有接受照顧，這個比例在低收入和中等收入國家上升到 85%（Ben-Zeev, D., and D. C. Atkins, “Bringing Digital Mental Health to Where It Is Needed Most.” Nature Human Behavior, 2017. 1: pp. 849–851; Barrett, P. M., et al., “Digitising the Mind.” Lancet, 2017. 389(10082): p. 1877.）。美國超過 1.06 億人生活在被聯邦政府分類為心理健康專業人員短缺的地區（Nutt, A. E., “The Woebot Will See You Now’ — the Rise of Chatbot Therapy,” Washington Post. 2017.），美國的精神科醫生數量每 10 萬人不到 8 名，但在大多數低收入到中等收入國家，這個數字遠低於每 10 萬人 1 名（最低的在阿富汗 0.16）。雖然虛擬顧問永遠不會完全取代真正的人類顧問，但這可能是 AI 在醫學中最重要的助推功能之一，因為它是軟體、相當便宜、藉由深度學習會變得越來越好，正如尼克·羅密歐指出的：「AI 顧問不需要機票、食物、保護或薪水，他們可以輕鬆處理數萬個的病人，可以隨時透過訊息向任何有手機的人提供服務。」（Romeo, N., “The Chatbot Will See You Now,” New Yorker. 2016.） 這特別適用於年輕人，他們幾乎天生就在用智慧型手機緊密相連，且 74% 的心理健康障礙在 24 歲之前發病（Fitzpatrick, Darcy, and Vierhile, “Delivering Cognitive Behavior Therapy.”）。

關於用於心理健康的聊天機器人和智慧型手機 App 的一個重大隱憂是數據的隱私和安全，且這個問題很大程度上還沒有得到解決，無論已經取得了多少進步，心理障礙仍然被污名化，這是極度敏感的個資，大多數人對他們資料的洩露或隱私外洩深感擔憂；Woebot 和 Facebook 表示他們不會看到任何數據，也不會基於使用者的內容出售資料或廣告，但對隱私的擔憂，包括心理治療病史和數據的駭客攻擊，無論是為了賣錢還是盜竊，仍然是一個未解決的憂慮。

還有一個倫理問題，即人們與機器交談，分享他們的親密經歷和情感；在《紐約客》擔任寫手的艾莉森·普格將此比作心理學家哈里·哈洛 1959 年進行的「布猴」實驗，哈洛要求猴子做出殘酷的選擇：用布做的媽媽、還是要選鐵絲做的、同時提供牛奶的媽媽（Pugh, A., “Automated Health Care Offers Freedom from Shame, but Is It What Patients Need?” New Yorker. 2018.），這個困境象徵著人類和機器的重要選擇，脆弱的群體向機器透露羞恥的意願實際上可能會阻止人類關懷，有些人認為這種形式的 AI 治療最終可能比沒有治療更糟糕。

尤瓦爾·諾亞·哈拉里在《人類大歷史》中建議，確保全球幸福將是人文主義革命的三個最重要目標之一（與最大化人類壽命和權力一起） — — 甚至將衡量未來的文明指標不是國內生產總值而是國內幸福總值（Harari, Y. N., Homo Deus. 2016. New York: HarperCollins, p. 448.），聲稱人們不想生產、只想快樂，而我們可以提煉出真正幸福的萬靈藥。我們顯然離哈拉里描述的世界還有很長很長的路要走，像憂鬱症一樣，幸福是我們可能可以使用技術來測量和改善的東西，麻省理工學院的帕斯卡爾·布德納和同事在一項 60 人兩個月的小型研究中，使用智慧型手錶收集了大約 17,000 條數據，包括心率、位置和天氣條件，使用者一天四次使用「幸福計」輸入他們的心理狀態數據，從九個表情符號中選擇（Budner, P., J. Eirich, and P. A. Gloor, “Making You Happy Makes Me Happy”: Measuring Individual Mood with Smartwatches. arXiv, 2017. arXiv:1711.06134 [cs.HC]. “How a Smart Watch Can Predict Your Happiness Levels,” MIT Technology Review. 2017.）是使用 AI 來理解和追蹤憂鬱症的代表作之一。我們仍然處於定義幸福的最早階段，也確實知道缺乏幸福的主要原因是什麼 — — 心理健康障礙，《2017 年世界幸福報告》研究了所有已知因素，包括貧困、教育、就業、人際關係、身體疾病和心理疾病，精神疾病顯然是與痛苦相關的主要因素，大大減損幸福感（Clark, A. E., et al., “The Key Determinants of Happiness and Misery,” World Happiness Report. 2017; “Daily Chart: A New Study Tries to Unpick What Makes People Happy and Sad,” Economist. 2017.）。

傳統上，我們優先考慮生理而非心理疾病，因為它更容易測量、更容易治療、污名化程度較低，但現在我們有更多的開放可能性，提供心靈「數位化」、新的且客觀的 Biomarker，以及不完全依賴訓練有素專業工作者的治療。社會和行為動態是為每個個人提供整體、多模態輪廓 — — 包括生理、生物、解剖和環境數據 — — 的關鍵，無縫捕獲和處理可能有助於理解壓力與常見醫療狀況如高血壓和糖尿病的關係。當來自病歷、基因組檢測和感測器的數據被 AI 整合和處理時，藥師將能夠提供關於處方的更好指導，如建議藥物缺乏效力、意想不到但可能的相互作用或嚴重副作用；AI 生成對抗網絡可以為病人製作牙冠，比人類專家更準確，促進牙科修復（Hwang, J. J., et al., Learning Beyond Human Expertise with Generative Models for Dental Restorations. arXiv, 2018.）；哥本哈根的急救人員已經得到了 Corti AI 助手的幫助，使用語音辨識和來自緊急呼叫的數據來準確診斷心臟病發作（Peters, A., “Having a Heart Attack? This Al Helps Emergency Dispatchers Find Out,” Fast Company. 2018.）。藉由高技術含量的分析和個別建議的輸出，AI 賦予臨床醫療人員承擔更多責任的能力。

深夜兩點，台北市信義區的辦公大樓依然燈火通明，林醫師坐在精神科診所的辦公室裡，看著桌上堆積如山的病歷，心裡想著今天第四十三個病人說的話：「醫生，我不敢跟任何人說我在看精神科，連我老婆都不知道。」這句話在台灣的精神科診間裡，三不五時就會聽到。在這個將心理疾病視為恥辱的社會裡，人們寧願獨自承受痛苦，也不願意承認自己需要幫助。

林醫師滑開手機，看到一則新聞：台灣每年有近四千人自殺身亡，相當於每天有超過十個人選擇結束生命，而這只是冰山一角；根據衛福部的統計，台灣有超過兩百萬人正在與憂鬱症搏鬥，但實際接受治療的不到三分之一。更令人擔憂的是，台灣的精神科醫師密度雖然比許多亞洲國家高，但仍然遠遠不足以應對這場心理健康危機，全台灣只有不到兩千名精神科專科醫師，平均每一萬人口只有零點八名精神科醫師，而且大多集中在都會區。

就在林醫師陷入沉思時，手機傳來一則訊息，是他在美國史丹佛大學進修時認識的同事傳來的：「你還記得我們討論過的那個虛擬治療師研究嗎？現在有了驚人的進展。」附件是一篇關於人工智慧在心理健康領域應用的最新研究報告。林醫師打開文件，看到了一個令人震驚的數據：在洛杉磯創意科技研究所的一項研究中，受試者面對虛擬治療師艾莉（Ellie）時，比面對真人治療師更願意吐露心聲，病人表示「在網路上，沒有人知道我是誰，我不用擔心被評判。」

台灣的心理健康問題有其獨特的文化背景，在這個深受儒家思想影響的社會裡，「家醜不可外揚」的觀念根深蒂固，許多人寧願選擇去廟裡拜拜、找算命師，也不願意走進身心科診所或心理治療所。即使是在台北這樣的國際化都市，精神疾病依然被視為一種恥辱，公司員工請假看精神科，往往會謊稱是看其他科別；學生有心理問題，家長的第一反應往往是「不要讓別人知道」。

但就在這樣的環境下，越來越多的台灣人開始通過手機 App 尋求心理支持，根據一項 2023 年的調查，台灣有超過五十萬人下載過心理健康相關的 App，其中最受歡迎的是一款叫做「心靈夥伴」的聊天機器人，這個由台灣本土團隊開發的 App，使用自然語言處理技術，可以二十四小時陪伴使用者聊天，提供情緒支持。

張小姐是這款應用程式的忠實使用者。她是一名在新竹科學園區工作的工程師，每天工作超過十二小時是常態。壓力大到失眠已經持續了半年，但她不敢請假看醫生，因為擔心被主管認為抗壓性不足。有一天深夜，她在應用程式商店裡發現了「心靈夥伴」。抱著試試看的心態，她開始和這個虛擬助手對話。

「你好，我是小靈，很高興認識你。最近過得怎麼樣？」螢幕上出現了一個可愛的卡通形象。

張小姐猶豫了一下，打字回應：「不太好，壓力很大。」

「聽起來你最近很辛苦。能告訴我更多嗎？我在這裡傾聽。」

就這樣，張小姐開始向這個虛擬的朋友傾訴。她發現，面對一個不會評判她的 AI，她可以毫無保留地表達自己的感受，從工作壓力到家庭期待，從感情困擾到對未來的迷茫，她把藏在心裡很久的話都說了出來。小靈會適時地回應，提供共情的話語，有時還會建議一些放鬆的技巧。

這種現象並不是個案，台灣大學心理系的陳教授最近完成了一項研究，追蹤了三百名使用心理健康 App 的台灣民眾；研究發現，有超過七成的使用者表示，他們更願意向 AI 傾訴，而不是真人，原因包括：不用擔心隱私洩露、沒有時間限制、不會被評判、隨時隨地都可以使用。

在台北市立聯合醫院松德院區，一個跨領域的研究團隊試圖透過分析病人的數位足跡來預測和診斷憂鬱症，研究主持人王醫師是一位有二十年臨床經驗的精神科醫師，同時也擁有資訊工程的背景。「傳統的診斷方式太依賴病人的主觀陳述和醫師的臨床判斷，」王醫師說，「但現在我們有了新的工具。每個人的手機都是一個強大的感測器，可以收集大量的行為數據。」研究團隊開發了一個 App，在獲得使用者同意後，可以收集多種數據：打字速度和準確度、手機使用時間、社群媒體活動、步數、睡眠模式等，這些看似瑣碎的數據，在人工智慧的分析下，卻能揭示出憂鬱症的蛛絲馬跡。

其中一個參與研究的案例李先生是一名四十五歲的銀行經理，表面上事業成功、家庭美滿，但 App 的數據顯示在憂鬱症發作前的幾週，他的打字速度明顯變慢，錯字率增加；手機使用時間從每天三小時增加到六小時，但大部分時間都在漫無目的地瀏覽；他的步數從每天八千步降到不到三千步；最明顯的是，他在社群媒體上的活動幾乎完全停止，不再按讚或留言。

人工智慧系統分析了這些數據後，發出了預警；研究團隊聯繫了李先生，建議他接受專業評估。起初，李先生很抗拒，堅稱自己沒有問題，但在家人的勸說下，他還是來到了醫院。經過詳細的臨床評估，他被診斷為中度憂鬱症。「如果不是這個系統，我可能會一直否認自己的問題，直到情況變得更糟，」李先生後來說，「數據不會說謊，它讓我無法再逃避。」這項研究在追蹤的五百名受試者中，AI 系統能夠以百分之七十五的準確率預測憂鬱症的發作，比傳統的篩檢問卷高出許多。更重要的是，系統能夠提前兩到三週發出預警，為早期介入創造了寶貴的時間窗口。

但這項技術在台灣的推廣面臨著獨特的挑戰，首先是隱私問題，台灣人對個人數據的保護意識越來越強，尤其是涉及心理健康的敏感資料，研究團隊必須確保所有數據都經過加密處理，並且只用於研究目的；其次是文化因素，許多台灣人認為，用科技來診斷心理疾病是冰冷和不人道的，他們更相信面對面的人際互動和情感連結。為了解決這些問題，研究團隊採取了一種混合的方法，AI 系統不是要取代醫師，而是作為一個輔助工具，幫助醫師更準確、更及時地識別需要幫助的病人。同時，團隊也在開發更符合台灣文化的功能，比如加入繁體中文的語音分析，能夠識別台語和客家話中的情緒線索。

在台中榮民總醫院的研究團隊發現，憂鬱症病人的說話方式有著微妙但可以量化的變化：語速變慢、音調變低、停頓增多、語句變短 — — 這些變化人耳可能察覺不到，但人工智慧可以精確地捕捉。研究的靈感來自於主持人劉醫師的臨床觀察，她注意到，許多憂鬱症病人在病情好轉後，家人常說：「他說話的聲音不一樣了，聽起來有活力多了。」這讓她想到，如果聲音的變化可以被量化，是否能成為監測病情的客觀指標？

團隊招募了兩百名志願者，其中一半是憂鬱症病人，另一半是健康對照組。每個受試者都要錄製一段五分鐘的語音，內容是描述他們最近的一天，這些錄音被輸入到一個深度學習系統中，系統分析了七十四個聲學特徵，包括音高、音量、顫抖、韻律等。結果 AI 系統不僅能夠以百分之八十的準確率區分憂鬱症病人和健康群體，還能夠評估憂鬱症的嚴重程度。更有趣的是，系統發現了一些人類醫師從未注意到的模式，比如憂鬱症病人在說到未來相關的詞彙時，聲音會出現特定的顫抖模式；在描述人際關係時，語速會明顯放慢。這項技術很快就有了實際應用，台中市的一家社區心理健康中心開始試用一個基於這項研究的手機 App，使用者每天只需要對著手機說話一分鐘，描述自己的心情或當天發生的事，系統就會分析語音特徵，評估心理健康狀態，如果檢測到異常，會建議使用者尋求專業幫助。

其中一個成功案例是陳太太，一位六十歲的退休教師。她的女兒注意到母親最近話越來越少，擔心她可能有憂鬱傾向，但陳太太堅持說自己沒事。女兒說服她使用這個應用程式，當作是「玩玩看」。使用兩週後，系統顯示陳太太的語音特徵符合輕度憂鬱的模式，看到這個客觀的數據，陳太太終於願意去看醫生，經過治療，她的情況明顯改善。「對我們這一代人來說，承認自己有心理問題是很困難的，」陳太太說，「但如果是機器說的，感覺比較客觀，不是我自己在胡思亂想。」

台灣是全球社群媒體使用率最高的地區之一，根據統計，台灣人平均每天花在社群媒體上的時間超過兩個小時，Facebook、Instagram、LINE 等平台已經成為許多人生活的一部分，而這些平台上的數據，正在成為了解心理健康的新窗口。國立台灣大學的資訊工程系與心理系合作，進行了一項大規模的研究，他們分析了一千名同意參與研究的台灣 Instagram 使用者的貼文，試圖找出憂鬱症的數位訊號。研究發現，憂鬱症病人的 Instagram 有著明顯的特徵：照片的色調偏暗、使用黑白濾鏡的頻率較高、較少出現人臉、更多是單獨的自拍而非團體照。

更深入的分析顯示，憂鬱症病人在貼文的文字描述中，使用第一人稱代詞（我、我的）的頻率明顯較高，而使用第二或第三人稱的頻率較低；他們也更常使用負面情緒詞彙，即使是在看似正面的貼文中，也常常夾雜著矛盾的情緒表達。台北市衛生局與研究團隊合作，開發了一個監測系統，在使用者同意的前提下，系統會分析他們的社群媒體活動，如果發現憂鬱或自殺的警訊，會主動提供協助資源的連結，或建議聯繫心理健康專線。然而，這個系統也引發了激烈的倫理討論，隱私權倡議者擔心，這種監測可能被濫用，成為侵犯個人隱私的工具，也有人質疑，基於社群媒體的診斷是否可靠，畢竟許多人在網路上呈現的是經過美化的形象，而非真實的自己。為了回應這些質疑，研究團隊特別強調，這個系統不是用來「診斷」，而是用來「篩檢」和「預警」，最終的診斷仍然需要專業醫師的評估，而且所有的數據收集和分析都必須經過使用者的明確同意，並且可以隨時選擇退出。

你可能從未想過，你打字的方式可能透露了你的心理狀態，但在新竹的一家科技公司裡，一個創新的團隊正在將這個想法變為現實；他們開發的 App 可以藉由分析使用者的打字模式來評估心理健康狀態。這個想法的起源很有趣，團隊的創始人之一是一位程式設計師，他注意到自己在憂鬱期間寫程式的效率明顯下降，不僅是因為注意力不集中，打字的節奏也完全不同了。平時流暢的代碼輸入變得斷斷續續，刪除和修改的次數大幅增加，這個觀察啟發了他：如果打字模式會隨著心理狀態改變，那麼是否可以反過來，透過打字模式來推測心理狀態？

研究團隊與台灣幾家醫院的精神科合作，收集了大量數據，他們發現，憂鬱症病人的打字有著特定的模式：按鍵之間的間隔時間增加、打字速度整體變慢、刪除鍵的使用頻率提高、在輸入情緒相關詞彙時會有明顯的停頓；更細微的特徵包括，按住按鍵的時間（Dwell Time）會變長，好像手指變得沉重；兩個按鍵之間的飛行時間（Flight Time）也會增加，反映了動作協調性的下降。基於這些發現，團隊開發了一個可以安裝在手機上的輸入法應用程式，這個輸入法看起來和一般的輸入法沒有區別，但在後台會持續分析使用者的打字模式，如果檢測到可能的憂鬱徵兆，會溫和地提醒使用者關注自己的心理健康。

這個 App 在台灣的科技業中獲得了意外的歡迎，許多科技公司開始鼓勵員工使用這個工具，作為員工關懷計劃的一部分；竹科的一家大型半導體公司甚至將這個 App 整合到了他們的員工健康管理系統中，人力資源部門可以看到整體的趨勢數據（但看不到個人數據），了解公司的整體壓力水平，並據此調整工作安排或提供更多的心理支持資源。當然這也引發了一些擔憂，員工擔心他們的打字數據會被用來評估工作表現，或者成為裁員的依據，為了消除這些疑慮，使用這個系統的公司都簽署了嚴格的數據使用協議，保證數據只用於健康管理，不會用於任何形式的績效評估。

回到我們故事開始的林醫師，他決定在自己的診所引入 AI 輔助治療系統。這個決定並不容易，作為一個有著十五年臨床經驗的精神科醫師，他一直相信人與人之間的連結是治療的核心，但面對越來越多的病人和有限的時間，他意識到必須尋找新的方法。林醫師選擇的是一個結合了認知行為治療（CBT）的聊天機器人，可以在病人回家後繼續提供支持，就像是一個二十四小時在線的助理，病人可以隨時與機器人對話，練習在診療中學到的技巧，記錄自己的情緒變化。

第一個嘗試這個系統的是一位三十歲的國中老師王小姐，她因為焦慮症已經接受治療半年了，雖然有進步，但在兩次門診之間的時間裡，她常常感到無助；林醫師向她介紹了這個 AI 助手，並解釋說這不是要取代面對面的治療，而是作為一個補強。起初，王小姐對著手機跟一個機器人說話感到很奇怪，但很快她發現這個 AI 助手比她想像的更有幫助，當她半夜因為焦慮而失眠時，AI 會引導她進行呼吸練習；當她陷入負面思維的循環時，AI 會用 CBT 的技巧幫助她挑戰這些想法。最重要的是，她不用擔心打擾任何人，也不用擔心被評判。「它就像是一個永遠有耐心的朋友，」王小姐在一次回診時告訴林醫師，「雖然我知道它不是真人，但當我焦慮發作時，有個聲音在引導我，真的很有幫助。」

林醫師仔細檢視了系統記錄的對話和數據，發現王小姐在使用 AI 助手後，焦慮發作的頻率明顯降低，而且她學會了更多自我調節的技巧，這些數據也幫助林醫師更好地了解王小姐在日常生活中的困難，讓面對面的治療時間可以更聚焦。受到這個成功案例的鼓舞，林醫師開始將這個系統推薦給更多的病人，他發現年輕的病人特別容易接受這種新的治療方式，而一些原本抗拒治療的病人，反而因為可以先跟機器人互動，降低了尋求幫助的門檻。但有些年長的病人完全無法接受跟機器對話的概念，認為這是冷冰冰的、沒有人情味的，也有些病人過度依賴 AI，反而減少了真實的人際互動，林醫師意識到，如何在科技和人性之間找到平衡，是引入 AI 治療必須面對的課題。

台灣的自殺率雖然在過去十年有所下降，但青少年自殺率卻逆勢上升，成為社會關注的焦點；傳統的自殺防治方法，如心理健康熱線和校園輔導，雖然重要，但往往無法及時發現高風險個案，許多自殺者在生前最後一次就醫時，並沒有透露自殺意念。在這樣的背景下，台灣大學公共衛生學院與資訊工程系合作，開發了一個基於人工智慧的自殺風險預測系統，整合了多種數據來源：醫療記錄、社群媒體、手機使用模式、甚至是網路搜尋記錄（在使用者同意的前提下）。

研究團隊分析了過去五年台灣地區的自殺案例，試圖找出預警訊號，他們發現了一些令人意外的模式，例如許多自殺者在事發前幾週，網路搜尋行為會出現特定的變化：開始搜尋與死亡相關的資訊、查詢遺書的寫法、甚至是尋找特定的地點；社群媒體上的活動也會改變：有些人會突然變得異常活躍，像是要做最後的告別，有些人則完全沉默，切斷所有社交連結。基於這些發現，團隊開發了一個風險評分系統，當系統檢測到高風險訊號時，會通知指定的醫療團隊或家屬（需要事先設定和同意）。這個系統在幾家醫院進行了 Pilot Study，在六個月的試驗期間，系統成功識別了十二個高風險個案，其中八個在接受及時干預後，避免了悲劇的發生。

然而，監測一個人的網路活動，即使是為了挽救生命，也涉及嚴重的隱私侵犯，且如果系統誤判，可能會給無辜的人帶來不必要的困擾和標籤化，更何況如果系統未能識別出高風險個案，導致悲劇發生，誰應該負責？研究團隊制定了嚴格的倫理準則：所有的監測都必須獲得明確的知情同意；數據必須加密儲存，只有授權人員才能存取；系統只提供風險評估，最終的判斷和介入決定仍由專業人員做出。即便如此，這個系統在推廣時仍然面臨很大的阻力，許多人擔心這會開啟「監控社會」的大門。

在台灣的精神醫療體系中，語言一直是個特殊的挑戰；除了國語，許多年長者只會說台語或客家話，而原住民族群有自己的母語。情緒和心理狀態的表達，往往與語言和文化密切相關，一個在國語中可能被描述為「憂鬱」的狀態，在台語中可能會用完全不同的方式表達。意識到這個問題，成功大學的研究團隊開始開發一個多語言的心理健康 AI 系統，不僅能理解國語、台語、客家話，還在學習幾種原住民語言，重點是它能夠識別不同語言中特有的情緒表達方式。

研究的第一步是建立一個多語言的情緒語料庫，團隊走訪了台灣各地，收集不同族群表達情緒的方式，發現了許多有趣的文化差異。例如，在台語中，「心肝結歸球」（心肝打結）是形容極度焦慮的常用說法，但這個表達在國語中並不存在；客家話中的「愁」有著比國語更豐富的層次，可以細分為不同程度和類型的憂愁。基於這個語料庫，團隊訓練了一個能夠理解文化細微差異的 AI，不僅能夠進行語言翻譯，還能夠「翻譯」情緒和文化內涵。當一位說台語的阿嬤說她「心頭結結」時，系統能夠理解這不僅是身體不適，更可能是情緒困擾的表現。這個系統在偏鄉地區的應用特別有價值，台灣的精神科醫師大多集中在都市地區，偏鄉地區嚴重缺乏心理健康資源，透過這個多語言 AI 系統，偏鄉的民眾可以用自己熟悉的語言獲得初步的心理健康評估和支持。

在花蓮的一個原住民部落，這個系統幫助了許多原本無法獲得心理健康服務的居民，部落中的林阿公，七十五歲，只會說阿美族語和簡單的台語。他的家人注意到他最近變得沉默寡言，食慾不振，但當地沒有會說族語的心理健康專業人員，透過這個 AI，林阿公能夠用族語表達自己的感受，系統分析後發現，他可能正在經歷老年憂鬱症，建議家人帶他到最近的醫院就診，配合系統提供的文化背景資訊，醫師能夠更好地理解和治療林阿公的狀況。

台灣的年輕世代面臨著前所未有的心理壓力：高房價、低薪資、激烈的競爭，加上社群媒體帶來的比較壓力，讓許多年輕人感到喘不過氣；根據統計，台灣 18 到 24 歲年齡層的憂鬱症盛行率是所有年齡層中最高的。針對這個族群，台灣的新創公司開發了各種創新的心理健康解決方案，其中一家公司推出了一個結合遊戲化元素的心理健康 App，使用者在 App 中扮演一個角色，透過完成各種「任務」來提升心理健康，這些任務其實是包裝過的 CBT 練習、正念冥想、運動挑戰等，完成任務可以獲得點數，解鎖新的功能或虛擬獎勵，這種遊戲化的方式特別受到年輕人的歡迎，App 的後台會分析使用者的行為模式和進展，提供個人化的建議和挑戰。如果發現使用者可能需要專業協助，會巧妙地在遊戲中加入相關資訊，或是提供專業資源的連結。

另一個針對年輕族群的創新是「虛擬實境療法」，台北醫學大學的研究團隊開發了一套VR系統，用於治療社交焦慮症，病人戴上 VR 頭盔，可以在安全的虛擬環境中練習社交互動，AI 系統會根據病人的反應調整場景的難度，逐步幫助他們克服恐懼。小如是一名患有嚴重社交焦慮的大學生，她無法在課堂上發言，甚至連在便利商店結帳都會緊張到發抖，透過 VR 療法，她先在虛擬環境中練習這些情境，從一對一的對話開始，逐漸進展到小組討論，最後是在虛擬教室中做報告，每次練習時，AI 系統都會監測她的生理反應（心率、皮膚電導等），提供即時的放鬆指導。經過三個月的 VR 療法，小如的進步顯著，她不僅能夠在課堂上發言，還主動參加了學校的辯論社。「VR 讓我可以一次又一次地練習，不用擔心真實世界的後果，」她說，「當我終於準備好面對真實情況時，感覺就像是我已經做過很多次了。」

台灣的企業界也開始重視員工的心理健康，過去「爆肝」文化被視為認真工作的表現，但越來越多的企業意識到，員工的心理健康直接影響生產力和創新能力，一些前瞻性的公司開始導入 AI 驅動的員工心理健康管理系統。台積電是其中的先驅之一，他們與台大醫院合作，開發了一個「智慧心理健康管理平台」，這個平台整合了多種數據來源：員工自願提供的健康數據、工作時間記錄、請假模式等，AI 系統會分析這些數據，識別可能面臨心理健康風險的員工群體（注意：是群體，不是個人，以保護隱私）。

基於這些分析，公司可以針對性地提供支援，例如如果系統發現某個部門的整體壓力水平升高，人資部門會介入了解原因，可能是專案期限太緊、人力不足，或是管理方式需要調整；公司也會提供更多的紓壓活動、調整工作安排，或是增加心理諮商的資源。這個系統的一個創新之處是「智慧聊天室」，員工可以匿名地在聊天室中表達自己的壓力和困擾，AI 會提供即時的情緒支持和建議，如果 AI 判斷某個員工可能需要專業協助，會私下提供公司心理諮商師的聯絡方式；所有的互動都是完全保密的，連公司管理層都無法查看個人的對話內容。

一位在台積電工作的工程師分享了他的經驗：「以前，即使壓力大到睡不著，我也不敢說，怕被認為抗壓性差。但現在，我可以在智慧聊天室裡抒發，AI 會給我一些實用的建議，像是呼吸練習、時間管理技巧等。最棒的是，它讓我知道我不是一個人，系統顯示有很多同事也面臨類似的壓力。」這種企業層級的心理健康管理帶來了顯著的效果，導入系統一年後，台積電的員工滿意度提升了 15%，病假天數減少了 20%，離職率也有所下降，員工感受到公司真正關心他們的福祉，不僅是把他們當作生產工具。其他企業也紛紛跟進，聯發科開發了一個「情緒儀表板」，讓主管可以了解團隊的整體情緒狀態（同樣是匿名和整體的數據），如果發現團隊情緒低落，主管會主動安排團隊建設活動或調整工作節奏。華碩則推出了「AI 心理健康教練」，為每個員工提供個人化的心理健康建議和資源。

台灣正快速邁向高齡社會，預計今（2025）年，65 歲以上的人口將超過 20%，老年憂鬱症是一個日益嚴重的問題，但往往被忽視或誤認為是正常的老化現象；許多長者不願意承認自己有心理問題，認為這是「想太多」或「老了就是這樣」。針對這個族群，台灣的研究團隊開發了專門的 AI 解決方案，其中一個創新是「智慧陪伴機器人」，不是冰冷的機器，而是設計成可愛的動物或人偶形象，能夠與長者進行自然的對話，機器人內建的 AI 系統可以透過對話內容、語音特徵，甚至是長者與機器人互動的頻率，來評估他們的心理狀態。

另一個針對長者的創新是「回憶療法 AI」，系統使用老照片、音樂、新聞片段等，幫助長者回憶過去的美好時光，AI 會根據長者的反應，選擇最能引起正面情緒的內容；對於患有輕度認知障礙的長者，這種療法不僅能改善情緒，還可能延緩認知功能的退化。在高雄的一個日間照護中心，這個系統幫助了許多長者，其中一位是退休的職業軍人李爺爺，他因為失智症早期而變得易怒和焦慮，透過 AI 系統，照護人員發現當播放 1960 年代的軍歌時，李爺爺會變得平靜並開始分享他的軍旅故事，系統記錄了這些故事，不僅成為珍貴的口述歷史，也讓李爺爺的家人更了解他的過去。

隨著 AI 在心理健康領域的應用越來越廣泛，台灣社會也在思考一個根本的問題：在心理治療這個最需要人性關懷的領域，科技應該扮演什麼角色？首先，AI 永遠不應該完全取代人類治療師，而應該是輔助工具；其次，必須建立嚴格的倫理準則和監管機制，確保 AI 的使用不會傷害病人；最後，必須保持人文關懷，不能讓治療變成純粹的數據處理。

林醫師在使用 AI 輔助治療一年後，有了深刻的體會。「AI 確實提高了診斷的準確性，也讓更多人能夠獲得幫助，」他說，「但真正的療癒仍然來自人與人之間的連結；AI 可以分析數據、識別模式、提供建議，但它無法真正理解一個人的痛苦，無法給予真正的同理心。」一位病人在使用 AI 聊天機器人幾個月後，情況確實有所改善，但在一次面對面的會談中，當林醫師真誠地對她說「我理解你的痛苦」時，她突然崩潰大哭，她說：「機器人也說過一樣的話，但從你口中說出來，感覺完全不同。因為我知道，你是真的理解。」

這個故事提醒我們，在追求技術創新的同時，不能忘記心理健康的本質是關於人的，AI 可以是強大的工具，但愛、理解、陪伴這些人類獨有的品質，才是真正療癒心靈的力量。台灣在 AI 心理健康領域的探索還在繼續進行，政府正在制定相關的法規和標準，確保這些技術的安全和有效使用，學術界持續進行研究，開發更精準、更人性化的 AI 系統，產業界則在尋找商業模式，讓這些創新能夠永續發展並普及到需要的人群。越來越多的人意識到，心理健康和身體健康一樣重要，尋求幫助不是軟弱的表現，AI 技術降低了尋求幫助的門檻，讓更多人願意踏出第一步。

夜深了，林醫師關上診所的燈，走在台北的街道上。霓虹燈依舊閃爍，但他知道，在這個不夜城的背後，有無數的心靈正在與黑暗搏鬥；但他也看到了希望。透過 AI，一個憂鬱症病人可以在凌晨三點得到即時的支持；一個不敢走進診所的人可以先與虛擬治療師對話；一個可能走向絕路的靈魂可以被及時發現和挽救。這些技術不是萬能的，但它們為台灣的心理健康照護開啟了新的可能。

在這個數位時代，我們面臨著前所未有的心理挑戰，但也擁有前所未有的工具。關鍵在於如何智慧地使用這些工具，在效率與人性、創新與倫理、科技與關懷之間找到平衡。台灣的經驗顯示，當我們將在地的文化智慧與全球的科技創新結合，當我們既擁抱進步又不忘初心，我們就能為心理健康照護開創新的道路；這條路還很長，挑戰還很多，但每一個被幫助的生命，都證明我們走在正確的方向上。

林醫師抬頭看著星空，想起了那句古老的話：「醫者，醫人也，醫心也。」在 AI 的時代，這句話有了新的含義。我們不僅要醫治症狀，更要理解每個人獨特的故事；不僅要運用科技，更要保持人性的溫度。隨著技術的進步和社會的覺醒，我們有理由相信，那些在黑暗中掙扎的心靈，終將迎來黎明的曙光。而 AI，將是照亮這條路的一盞明燈，引導我們走向一個心理健康得到重視、每個人都能獲得幫助的未來。在這個互聯的世界裡，沒有人是一座孤島，每個人的心理健康都值得被關注、被理解、被守護。

當我們把憂鬱、焦慮與自殺風險，從抽象的敘述化成可被觀察的語音、鍵擊與步伐，科技不是要取代傾聽，而是放大傾聽。AI 能在凌晨三點接住一個人，也能在兩週前提醒一個即將下沉的靈魂；但真正促成改變的，仍是那一句「我理解你」。台灣的道路應是雙軌：一手打造可信任的數位表型與在地語言模型，讓資料只為病人發聲；一手建立嚴謹倫理與人文訓練，讓治療回到關係本身。當手機成為微型診間、演算法成為警示鐘，醫療仍須留下讓人可以哭泣的空間、可以被擁抱的距離。讓我們用 AI 打開門，用人心走進去；把羞恥換成求助，把孤獨換成連結。當城市燈火熄滅，仍有一盞為你而亮 — — 那盞燈不只來自螢幕，也來自彼此。

— –

📒 Compiled by — 台中慈濟醫院復健科 R4 陳佳菁醫師 Sigrid Chen, PM&R Resident Physician at Taichung Tzu Chi Hospital, Taiwan; Former Medical Consultant at ASUS Intelligent Cloud Services.