機器學習在提高非自殺性自傷預測力中的應用：一項系統(tǒng)綜述

摘" 要" 非自殺性自傷（Non-suicidal Self-injury， NSSI）是重大的公共衛(wèi)生問題， 具有高度污名化、高度復雜性和高度異質(zhì)性的特點， 傳統(tǒng)NSSI研究測量和分析方法有限， 獲得的影響因子預測力較低。近年來機器學習逐步應用于NSSI的分析和建模中， 并通過提高NSSI研究工具預測力、增加預測模型復雜度和精確度、區(qū)分NSSI類別和亞型， 使整體預測性能上升到中等水平。未來需結(jié)合NSSI傳統(tǒng)理論和研究方法使篩選標準更嚴格， 拓展非問卷NSSI數(shù)據(jù)與深度學習、無監(jiān)督學習的結(jié)合， 根據(jù)“先分型、再遷移”的原則增加模型的可復制性與可比性， 進一步提高預測性能。

關鍵詞" 機器學習， 非自殺性自傷， 預測力， 應用

分類號" R395

1" 引言

非自殺性自傷（Non-suicidal Self-injury， 簡稱NSSI）指的是個體故意地改變或傷害自己的身體組織， 但無死亡意愿（江光榮 等， 2011）。NSSI是高發(fā)性心理障礙， 在人群中廣泛存在， 尤其以青少年群體最為嚴重， 我國青少年自傷檢出率在24.9%～29%左右（Qu et al.， 2023; Tang et al.， 2018）。NSSI具有嚴重的破壞性， 不僅造成直接的身體損傷， 還是自殺的重要風險指標， 甚至比自殺未遂史更能預測自殺行為（Ribeiro et al.， 2016）。NSSI常與其它精神疾病共病， 如抑郁障礙、焦慮障礙、邊緣型人格障礙和物質(zhì)成癮等（Nitkowski amp; Petermann， 2010; 孫蒙 等， 2020）。因NSSI導致的治療費用和生產(chǎn)力損失等也給個人和政府帶來巨大財政負擔（Kinchin et al.， 2017）。因此， 提高對NSSI的預測力有利于準確、及時地干預NSSI患者， 對個體和社會都具有重大價值。

NSSI的污名化極大影響研究的預測力。結(jié)合近幾年關于NSSI的綜述和元分析發(fā)現(xiàn)， 問卷調(diào)查法已成為NSSI研究主流（De Luca et al.， 2023; Peel-Wainwright et al.， 2021; Xiao et al.， 2022）， 然而NSSI的污名化常使得問卷調(diào)查難以推進， 或只得到符合社會期望的結(jié)果。NSSI嚴重的污名化包括患者本身、他人和大眾媒體等對NSSI的不解、偏見和歧視， NSSI患者因此產(chǎn)生內(nèi)疚、羞恥和尷尬感（Fu et al.， 2020; Staniland et al.， 2021）， 導致其在問卷調(diào)查中選擇隱瞞（Farajzadeh amp; Sadeghzadeh， 2023）。與此同時， 青少年NSSI患病率遠高于其它群體， 常作為研究首選對象， 大規(guī)模采集青少年的NSSI數(shù)據(jù)不僅要征求本人同意， 還要取得教師和父母的同意。NSSI在青少年群體中存在明顯傳染效應， 青少年意識到朋友自傷可能產(chǎn)生誘發(fā)作用（Syed et al.， 2020）， 也會引起父母和教師的警覺和拒絕。運用實驗法研究NSSI需模擬自傷疼痛， 包含電擊、壓痛、冷壓、熱壓等任務， 更需要考慮倫理問題（顏赟慈， 2015）。因此目前的NSSI研究尚缺乏有效的研究工具。

與此同時， 由于NSSI本身具有高度復雜性， 現(xiàn)有研究方法尚不能從全面和系統(tǒng)的角度予以把握。NSSI影響因素涉及眾多方面：生物遺傳方面， 涉及FKBP5基因、5-羥色胺、阿片類系統(tǒng)、多巴胺系統(tǒng)， 情緒、控制、疼痛、獎賞相關腦區(qū)等異常（白榮 等， 2023; 鄧洵 等， 2022）; 個人特質(zhì)方面， 涉及情緒調(diào)節(jié)缺陷、人格障礙、低自尊等; 社會因素方面， 涉及親子關系、家庭教育、人際壓力等（胡義秋 等， 2023; 蔣家麗 等， 2022; Steinhoff et al.， 2021）。單個影響因素沒有特別意義， 整合生物、社會、心理等眾多類型的變量更能提高對NSSI發(fā)生和發(fā)展的預測力（黃任之 等， 2013）。NSSI產(chǎn)生和發(fā)展的理論模型也并不統(tǒng)一， 不同情境和不同個體間要考慮盡可能多的因素（尹慧芳 等， 2022）， 極大增加了識別預測和分析的難度。傳統(tǒng)分析方法對變量的選擇有限， 使得只有少數(shù)NSSI預測因子在分析后保持統(tǒng)計顯著性， 導致大量信息的丟失（Zhong et al.， 2024）; 也可能將線性關系強加于更復雜的模型關系， 使所建立的預測模型無法完全對應現(xiàn)實生活中的情況（Burke et al.， 2019）。NSSI的元分析發(fā)現(xiàn)， 在保護因素研究缺乏的情況下（楊佳欣 等， 2023）， NSSI有關風險因素的預測力極弱（Fox et al.， 2015）。

NSSI研究的高度異質(zhì)性也是造成預測力低的重要原因。高異質(zhì)性來自于三個不同的層面：其一是NSSI與多種精神障礙共患， 在綜合醫(yī)院就診的自傷患者中， 80%以上存在精神障礙， 抑郁癥、焦慮癥和酗酒障礙等（He et al.， 2023; 孫蒙 等， 2020）， 使得表現(xiàn)相同的NSSI也可能具有不同的風險因素， 或與不同精神障礙存在不同的共病模式（He et al.， 2023）。其二是NSSI本身存在不同亞型， NSSI的頻率、方法、嚴重程度和功能等方面因人而異（Baer et al.， 2020; Daukantaite et al.， 2021; Radziwi??owicz amp; Lewandowska， 2017）， 預測因子在不同年齡、性別等群體間異質(zhì)性較高， 甚至作用方向完全相反（Akbari et al.， 2024; Haregu et al.， 2023）。目前已有的分型方法主要基于某一維特征， 忽略了不同特征之間的復雜組合和相互作用（Wang et al.， 2024）。其三是NSSI的定義和測量方法不統(tǒng)一， 預測因子在不同樣本和方法中可能不一致（Rahman et al.， 2021）。因此， 解決NSSI的異質(zhì)性對提高NSSI研究的預測力至關重要。

總之， 測量和分析方式有限， NSSI本身的高污名化、高復雜性和高異質(zhì)性共同導致了研究的預測力有限。欲提高NSSI研究的預測力， 需在提高問卷測量效力的基礎上， 積極尋找其它測量工具。在NSSI分析和建模時， 應盡可能納入更多預測因子， 并試圖篩選更關鍵的預測因子， 建立更復雜、準確的模型。同時， 有效區(qū)分NSSI高度異質(zhì)性的類別和亞型也是提高預測力的關鍵。

機器學習（Machine Learning， ML）是一種自動預測建模技術， 可以在高維數(shù)據(jù)中搜索大量解釋變量以及識別變量之間的復雜相互作用。目前， 機器學習已經(jīng)廣泛應用于閱讀障礙、抑郁癥等心理問題及障礙的識別和診斷（Bhadra amp; Kumar， 2022;卜曉鷗 等， 2023; Castillo-Sánchez et al.， 2020; 董健宇 等， 2020）。機器學習在評估NSSI發(fā)病率、關鍵影響因子等方面也有了較為成熟的應用（Burke et al.， 2019）。機器學習可以分析更多種NSSI變量類型， 包括文本、圖片、視頻等類型數(shù)據(jù)（Lu et al.， 2023; Xian et al.， 2019）， 極大提高了所建模型的預測力; 可納入更多NSSI相關變量， 對變量間復雜的關聯(lián)進行建模， 產(chǎn)生更強的預測性能（Fox et al.， 2019）; 能使用隨機森林和決策樹等可視化NSSI預測因子的重要性， 構建比傳統(tǒng)模型有更高預測能力的決策樹模型（Walsh et al.， 2017）; 以及利用數(shù)據(jù)驅(qū)動方法， 根據(jù)數(shù)據(jù)模式來識別NSSI亞型， 對癥狀特征的關系和結(jié)構進行客觀分析（Lanza amp; Cooper， 2016）， 為NSSI不同亞型之間的聯(lián)系提供新的見解（Wang et al.， 2024）。本文將在機器學習與NSSI最新研究的基礎上， 對機器學習提高NSSI預測力的應用進行闡述， 并對當前研究的不足及未來發(fā)展方向進行深入思考與展望。

2" 方法

對機器學習與NSSI的相關研究進行文獻搜索， 使用的數(shù)據(jù)庫包括知網(wǎng)、維普、萬方、百度學術、Web of Science、Elsevier Science Direct、EBSCO和PubMed。英文檢索關鍵詞“NSSI/Self- injury/Self- harm” AND “Machine Learning/Deep Learning”， 中文檢索關鍵詞“自傷/NSSI” AND “機器學習/深度學習”。考慮到機器學習應用于NSSI領域時間相對較短， 研究相對較少， 本研究不對發(fā)表語言、發(fā)表時間、具體機器學習方法和研究對象進行限定。文獻納入標準為：（1）文獻為實證類期刊論文和會議論文; （2）文獻主題為機器學習用于提高NSSI預測力的相關研究; （3）文獻使用可驗證的研究方法， 有翔實的研究結(jié)果和客觀的研究結(jié)論。依據(jù)此標準進行篩選， 最后確定納入本次系統(tǒng)綜述的文獻數(shù)量為24篇（見表1）， 圖1為文獻篩選流程。

3" 機器學習在提高NSSI預測力的應用步驟

3.1" 數(shù)據(jù)采集

數(shù)據(jù)采集方法上， 機器學習研究首要考慮大數(shù)據(jù)的需求。只有對大量數(shù)據(jù)加以訓練和測驗， 機器學習才會產(chǎn)生預測力更高的模型（Yarkoni amp; Westfall， 2017）。目前有問卷調(diào)查、NSSI患者臨床病例和社交媒體數(shù)據(jù)能滿足此要求。由表1可見， 機器學習在NSSI領域采集的數(shù)據(jù)以問卷為主， NSSI問卷采集的數(shù)據(jù)量比其他方法少。數(shù)據(jù)量最少的為一項縱向研究， 間隔6個月重測后共納入114樣本（Chen et al.， 2024）。值得注意的是， 無論是本研究還是NSSI相關綜述、元分析中， 我國大規(guī)模問卷調(diào)查在樣本采集數(shù)量和發(fā)文數(shù)量上都遠超其它國家， 這體現(xiàn)了我國在大數(shù)據(jù)研究方面的優(yōu)勢。除問卷收集的數(shù)據(jù)， 回顧式調(diào)取患者病例效率更高， 樣本量更多， 普遍包含數(shù)萬個樣本。納入的文獻中最多采集了6， 037， 479份NSSI臨床病例（Kumar et al.， 2020）。相比于問卷數(shù)據(jù)， 臨床數(shù)據(jù)量易采集更多NSSI特征， 將自然語言處理（Natural Language Processing， NLP）應用于結(jié)構化的電子健康記錄， 可以構建數(shù)百個特征用于分析（Arora et al.， 2023）。除了問卷和臨床病例， 社交媒體包含海量NSSI相關文字、圖片、視頻等材料， 也滿足了機器學習對大樣本的需求， 一項分析社交平臺上自傷流行程度的研究， 在Instagram采集1.2TB材料， 包含170余萬自傷圖片和305K視頻（Xian et al.， 2019）， 但這些材料量化分析難度更高， 因此相關研究極少。

大樣本的需求和研究方法的選擇制約了對研究對象的選擇。問卷調(diào)查常以青少年為研究對象， 便于采集大量數(shù)據(jù)， 納入研究中樣本量最大的是一項關于我國西部青少年NSSI的研究， 共采集13304樣本（Zhong et al.， 2024）。除納入的期刊論文外， 我國還有一項針對NSSI青少年的大樣本研究， 共涉及18萬余中學生、職高生以及大學生（徐小明， 2023）。臨床病例除NSSI患者外， 也會涉及其它精神障礙患者， 如進食障礙（Cliffe et al.， 2021）、精神分裂譜系障礙（Kappes et al.， 2023）等人群。社交媒體數(shù)據(jù)通常選擇Instagram、Facebook、Twitter等熱門社交平臺， 根據(jù)NSSI相關的話題標簽篩選數(shù)據(jù)（Xian et al.， 2019）， 但社交媒體的匿名性使研究對象的具體信息無法被確定。

3.2" 模型算法選擇

收集足夠的NSSI樣本后， 需要選擇合適的機器學習算法進行分析。從圖2可觀察現(xiàn)有NSSI研究中對機器學習算法的選擇與使用情況。目前NSSI領域的研究以淺層機器學習為主， 包括隨機森林（Random Forest， RF）、極致梯度提升（Extreme Gradient Boosting， XGBoost）、支持向量機（Support Vector Machines， SVM）等算法。首先是因為NSSI研究數(shù)據(jù)以問卷、人口學等結(jié)構化數(shù)據(jù)為主， 而深度學習更擅長從圖像或文本等非結(jié)構化數(shù)據(jù)中學習（Kentopp， 2021）。其次， 深度學習依賴于更大的數(shù)據(jù)集以獲得更好的性能， 當數(shù)據(jù)稀少且項目間差異不大時， 淺層學習性能更優(yōu)， 數(shù)據(jù)分析也更穩(wěn)健（Farajzadeh amp; Sadeghzadeh， 2023）。總之， 淺層學習更適用NSSI現(xiàn)有數(shù)據(jù)類型。

淺層學習中使用頻率最高的是隨機森林算法。因為NSSI是復雜、多因素的， 而隨機森林算法對NSSI數(shù)據(jù)變化的容忍度高， 能有效處理異常數(shù)據(jù)和分析問題（Jaiswal amp; Samikannu， 2017）， 因此被廣泛用于預測自傷行為（Burke et al.， 2019）。

其次是極致梯度提升算法， 此算法是一個優(yōu)化的分布式梯度提升庫， 旨在高效、靈活和便攜解決NSSI關鍵特征選擇和分類問題（Xu et al.， 2024）。另外， 隨機森林和極致梯度提升算法都包括對NSSI預測因子的重要性估計， 類似于傳統(tǒng)回歸模型中對變量重要性的估計（標準化系數(shù)等）， 因此常與傳統(tǒng)邏輯回歸相結(jié)合， 進一步簡化模型（Chen et al.， 2024; Fox et al.， 2019）， 即篩選出多種算法中最具影響的核心變量， 構建預測力更高的模型（Zhong et al.， 2024; Zhou et al.， 2024）。

另外， 支持向量機算法適用于解決樣本量少、非線性、高維的模式識別任務， 因此當NSSI樣本量較少時， 支持向量機算法可以避免維數(shù)災難（特征數(shù)量過多導致的模型性能下降）和過擬合問題（Yang et al.， 2022）， 有效選擇NSSI關鍵特征， 構建更精準的分類模型和預測力模型（Arora et al.， 2023; Lang et al.， 2024; Lu et al.， 2023）。因此支持向量機算法也是NSSI領域的應用主流之一。

令人意外的是， 盡管無監(jiān)督學習的應用范圍廣， 功能強大， 但在NSSI領域中卻被忽視。在分析NSSI在特征、頻率、方法等方面亞型時， 潛在類別分析（Latent Class Analysis， LCA）、潛在剖面分析（Latent Profile Analysis， LPA）、K均值聚類（K-means Clustering）等算法作為典型的無監(jiān)督學習， 已有了成熟的應用（Case et al.， 2020; Christoforou et al.， 2021; Guérin-Marion et al.， 2021; Murner- Lavanchy et al.， 2022）。在NSSI研究領域， 無監(jiān)督算法卻常被忽略其從屬于機器學習的重要分支。同時， 無監(jiān)督學習在NSSI中應用場景有限， 在閱讀障礙、抑郁、自殺等其它心理問題中， 無監(jiān)督學習已經(jīng)廣泛應用于關鍵特征選擇和提取（Bhadra amp; Kumar， 2022; 卜曉鷗 等， 2023; Castillo-Sánchez et al.， 2020）， 可從復雜原始的數(shù)據(jù)中（文本、fMRI、EEG、眼動數(shù)據(jù)等）提取最相關、信息量最大的特征數(shù)據(jù)， 并進行建模分析。但目前機器學習涉及的NSSI數(shù)據(jù)類型較單一， 幾乎不需要特征提取， 因此無監(jiān)督學習應用有限。

綜上所述， NSSI目前數(shù)據(jù)更為結(jié)構化、樣本量相對較少， 更適用于淺層學習， 尤其是隨機森林算法、極致梯度提升算法與支持向量機算法。隨機森林算法和極致梯度提升算法還可以對預測因子的重要性進行評估和排序， 相比而言， 隨機森林算法更易于理解和實現(xiàn)， 在NSSI的應用也最為廣泛。極致梯度提升算法需要更多的參數(shù)調(diào)整和調(diào)優(yōu)， 能在復雜的NSSI問題上有更高的精度預測和更好的應用前景。另外， 無監(jiān)督機器學習算法在NSSI關鍵特征選擇和提取上應用不足， 有更大的發(fā)展空間。

3.3" 模型訓練

受限于NSSI的復雜性與測量、采集樣本量的困難程度， 機器學習不但會學習NSSI變量間關系， 還會學習變量間“噪聲”， 使建立的模型比真實模型更復雜， 即出現(xiàn)“過擬合”現(xiàn)象。為選擇NSSI最優(yōu)預測或分類模型， 減少誤差， 則需要對機器學習模型進行訓練， 常有的方法有交叉驗證（留一法、K折交叉驗證、簡單交叉驗證等）、自舉法（bootstrapping）和正則化（董波 等， 2021; 周志華， 2016）。

從圖2可見， 在NSSI研究領域， 交叉驗證中的簡單交叉驗證是最常使用的模型訓練方法， 研究者通常簡單將NSSI數(shù)據(jù)集隨機分為訓練集與測試集， 訓練集通常在總數(shù)60%～80%左右， 測試集不參與訓練， 僅僅用來測試模型效果（Lang et al.， 2024; Swaminathan et al.， 2023; Zhong et al.， 2024）。相比于簡單交叉驗證， K折交叉驗證能進一步兼顧統(tǒng)計效力（楊柳， 王鈺， 2015）， 因此在NSSI研究中， 常使用5倍或10倍K折交叉驗證法訓練模型——即在NSSI原始數(shù)據(jù)集上進行5次或10次劃分， 每次劃分都進行機器學習訓練和評估， 繼而將所有結(jié)果取平均得到最后的評分（Bao et al.， 2024; Kumar et al.， 2020; Su et al.， 2023; Yin et al.， 2021）。

也有研究者強調(diào)NSSI研究中留一法交叉驗證（Leave-One-Subject-Out Cross Validation， LOSO）的重要性。相比于留一法， K折交叉驗證使用全部數(shù)據(jù)集， 基于NSSI患者而非NSSI特征進行學習， 導致模型擬合良好但可能偏離NSSI問題本身（Marti-Puig et al.， 2022）。另外， 大量研究使用了隨機森林和極致梯度提升等靈活算法探究NSSI問題， 此類算法沒有可加性或線性假設， 并且允許預測因子之間任意交互， 更適合使用自舉法或重復交叉驗證等技術對預測模型進行內(nèi)部驗證， 否則訓練集會高估模型性能（Collins et al.， 2015; Steyerberg et al.， 2001）。總之， NSSI模型訓練方法需根據(jù)模型樣本量和算法共同確定， 除涉及隨機森林和極致梯度提升算法相關研究使用自舉法外， 其它研究均以交叉驗證法為主， 尤其以簡單交叉驗證的應用最為廣泛， 常見的劃分比例為70%訓練集和30%測試集， 或80%訓練集和20%測試集等。由于簡單交叉驗證只進行一次訓練和測試， 本研究建議將其作為初步評估的手段或樣本量過于龐大時的選擇。如果NSSI樣本量不需要節(jié)省計算成本， 為了獲得更可靠的性能估計， 應采用更高級的交叉驗證方法。在NSSI樣本量相對少， 樣本同質(zhì)性較高的情況下， 應考慮留一法交叉驗證， 可更高效利用數(shù)據(jù)集。當NSSI樣本量較大， 樣本中類別分布不均勻時， 應考慮使用K折交叉驗證以及分層K折交叉驗證等衍生方法。

3.4" 模型評估

如圖2所示， 受試者工作特征曲線下面積（Receiver Operating Characteristic Curve - Area Under Curve， ROC-AUC）是NSSI應用中最常用的模型評價指標。AUC在0.70至0.79表示模型性能一般， 0.80至0.89為良好， 0.9以上為優(yōu)秀（Simundic， 2009）。納入文獻中NSSI模型的AUC普遍在0.74～0.89之間， 整體來說模型性能中良。僅有一項研究模型性能很差， 隨機森林算法不能基于神經(jīng)認知特征對NSSI和健康人群進行分類（Murner-Lavanchy et al.， 2022）。此外， 樣本越大， 模型性能越高， 甚至可以達到0.99 （Kumar et al.， 2020）; 且樣本足夠大時， 深度學習模型的AUC比淺層學習表現(xiàn)更優(yōu)（Yin et al.， 2021）; 基于自然語言構建NSSI模型性能比結(jié)構化數(shù)據(jù)表現(xiàn)更優(yōu)（Lu et al.， 2023; Swaminathan et al.， 2023）。

AUC只是診斷準確度的全局度量， 沒有報告模型單個參數(shù)的任何信息， 如敏感性和特異性（Simundic， 2009）。且當參與NSSI人數(shù)較少時， 模型會產(chǎn)生高AUC， 導致幾乎沒有臨床效用（Fox et al.， 2019）。故AUC應結(jié)合其它指標共同評估NSSI機器學習的模型， 根據(jù)圖2， 這些指標使用頻率依次為靈敏度（Sensitivity）、準確性（Accuracy）、特異性（Specificity）、陽性預測值（Positive Predictive Value， PPV）與陰性預測值（Negative Predictive Value， NPV）、F1、召回率（Recall）等， 其中準確性和召回率也采用了AUC相同的標準（Franklin et al.， 2017）， PPV與NPV多用在NSSI的二分類識別和預測中（Chen et al.， 2024; Murner-Lavanchy et al.， 2022; Swaminathan et al.， 2023; Xu et al.， 2024; Zhou et al.， 2024）。

4" 機器學習在提高自傷預測力的應用與優(yōu)勢

4.1" 提高研究工具預測力

機器學習有兩條路徑應對NSSI因測量難而導致預測力低的難題。其一是縮減維度或題數(shù)以獲得更精簡高效的問卷工具; 其二是豐富其它有效的測量研究工具。有學者認為， 自傷量表問題不宜過多， 主題應更明確， 還應省略明確詢問自傷的問題， 可有效避免被試疲勞或說謊（Farajzadeh amp; Sadeghzadeh， 2023）。因此使用機器學習將NSSI常用的17個量表和人口學問卷、測謊題共662項題目精簡為22項， 便可準確區(qū)分個體是否存在NSSI行為（Accuracy = 83.6%）。另外， 當機器學習樣本量較少時， 研究者為了防止過擬合也會精簡問卷項目， 先使用隨機森林算法分析全問卷項目， 并持續(xù)迭代刪除一個最不重要的項目， 直到AUC不能達到更高為止（Train AUC = 1， 95% CI： 1?1）， 最后將問卷的89個項目縮減到34個（Chen et al.， 2024）， 獲得精簡度最高的項目集合。

研究者也嘗試基于機器學習方法豐富NSSI的研究工具， 以提高研究的預測力。一項研究基于經(jīng)驗采樣法（Experience Sampling Method， ESM）的研究設計了應用程序， 通過三個主要部分收集生態(tài)瞬時評估（Ecological momentary assessment， EMA）數(shù)據(jù)， 包括情緒、日常和自傷活動數(shù)據(jù)， 結(jié)合機器學習能有效評估NSSI各種情緒狀態(tài)和功能失調(diào)的行為（Accuracy = 84.78%）。此方法采集的數(shù)據(jù)更豐富、高效、便捷， 也使得及時干預NSSI行為成為可能（Marti-Puig et al.， 2022）。一項正在進行中的研究采用混合方法， 通過EMA技術采集NSSI及情緒評估問卷， 每天3次， 為期14天， 同時配合可穿戴設備收集參與者的心率、步數(shù)和睡眠模式， 使用動態(tài)結(jié)構方程建模和機器學習共同分析NSSI內(nèi)在機制， 能更全面地分析并有效預測NSSI的想法和行為（Ahn amp; Lee， 2024）。機器學習也使社交媒體數(shù)據(jù)很好地應用于NSSI的識別和預測， NSSI患者不太可能向成年人或?qū)I(yè)人士尋求幫助， 而是更喜歡通過短信或社交媒體或非正式的在線支持平臺求助（Belfort amp; Miller， 2018）， 因此會產(chǎn)生巨量關于NSSI的圖片、視頻、評論、動態(tài)等， 使用機器學習訓練分類器區(qū)分是否有NSSI， 準確率可達94% （Xian et al.， 2019）， 遠高于傳統(tǒng)研究。總之， 精簡高效的問卷、豐富的研究工具為提高NSSI預測力開辟新道路。

4.2" 增加模型復雜度和精確度

NSSI預測因子眾多， 具有高復雜性的特點， 傳統(tǒng)研究可納入的影響因子不足， 導致模型預測力低。NSSI機器學習研究比傳統(tǒng)研究納入更多的預測因子， 多數(shù)研究還綜合了多類型數(shù)據(jù)， 如人口學數(shù)據(jù)、行為數(shù)據(jù)、生理數(shù)據(jù)等（Lang et al.， 2024; Su et al.， 2023; Xu et al.， 2024）， 通過提高模型復雜度以增強對NSSI的預測力（Fox et al.， 2019）。

考慮到模型的臨床適用性， 雖然機器學習納入了更多NSSI相關變量， 但往往只會保留最重要的預測因子。研究者常利用機器學習給NSSI相關變量的重要性排序， 進一步篩選出關鍵預測因子。有研究將支持向量機作為基礎學習器， 并使用二進制蜻蜓算法來找到最小化目標函數(shù)的特征組合， 發(fā)現(xiàn)性別、青少年教育水平、兒童時期的身體虐待、不接受情緒反應以及偏執(zhí)、邊緣化和表演性人格特征與NSSI風險增加有關（Yang et al.， 2022）。也有研究在機器學習基礎上挑選15個因子， 再使用逐步回歸進一步剔除， 最終保留預測力最大的11個因子（Zhong et al.， 2024）， 或者使用排列重要性為預測變量的重要性排序（Su et al.， 2023）， 選擇前25個作為關鍵預測因素。總之， 模型算法不同， 變量重要性排序的方式、保留數(shù)量也沒有統(tǒng)一標準， 這也造成各個研究選擇出的關鍵預測因素異質(zhì)性較高。將已納入文獻的關鍵變量進行總結(jié)， 見表2。

在NSSI的影響因素中， 家庭因素、情緒因素、精神障礙更多作為關鍵預測因子， 這與已有研究一致。家庭因素是NSSI生態(tài)系統(tǒng)中最重要的預測因子（尹斐 等， 2023）， 家庭層面的風險因素具有跨時間穩(wěn)定性（王玉龍 等， 2024）。NSSI患者存在情緒調(diào)節(jié)障礙， 通過自傷進行情緒調(diào)節(jié)和控制是NSSI主要目的之一（Hasking et al.， 2017， Hasking et al.， 2023; Lang et al.， 2024）。而精神障礙與NSSI有高共患率， 也是重要風險因素。

此外， 機器學習也為探索NSSI預測因子帶來了新見解， 因為機器學習部分脫離傳統(tǒng)心理學先理論假設再驗證的模式， 盡可能多地納入相關變量， 能發(fā)現(xiàn)NSSI現(xiàn)有理論外的關鍵影響因素：如屏幕使用時間的增加和含糖飲料的攝入與NSSI風險增加有關， 青少年的積極發(fā)展可減輕家庭功能障礙和網(wǎng)絡成癮對NSSI的不利影響（Guo et al.， 2024）。抽象思維受損作為NSSI的關鍵影響因子也出乎意料， 可能是抽象思維方面有困難的人往往在社交和解決問題方面也有困難， 導致了NSSI行為的出現(xiàn)（Kappes et al.， 2023）。這些發(fā)現(xiàn)進一步拓展NSSI的理論與實證研究， 提高了NSSI模型預測力。

4.3" 區(qū)分NSSI類別和亞型

NSSI定義與測量不統(tǒng)一， 并且存在高度異質(zhì)性的類別和亞型， 是造成模型預測力低的重要原因。機器學習從兩方面努力解決高度異質(zhì)性帶來的困境：一方面是在NSSI不同定義和測量方法、不同群體和亞型間尋找共同預測因子， 另一方面是試圖有效區(qū)分NSSI不同類別與亞型， 在同質(zhì)群體建立更高預測力模型。因此， 機器學習在NSSI領域的分類有三大類型：其一是有無NSSI的分類， 以確定NSSI關鍵預測因子， 有研究使用機器學習基于精神病史、犯罪史、精神病理學和藥物治療在內(nèi)的10個變量的組合進行有無自傷分類， 達到68%準確率， 71%AUC的良好預測能力。另一項研究使用機器學習分析綜合臨床數(shù)據(jù)， 包括唾液和血液樣本、心率變異性和疼痛敏感性， 并將NSSI和相關精神病理學的生物標志物模式進行建模， 發(fā)現(xiàn)激素和炎癥標志物以及疼痛敏感性的組合能夠有效區(qū)分是否有NSSI障礙（Murner-Lavanchy et al.， 2024）， 有助于縱向預測臨床結(jié)果或治療反應。而目前無法根據(jù)神經(jīng)認知特征進行有無自傷分類， 意味著此部分認知神經(jīng)并不是NSSI關鍵特征（Murner-Lavanchy et al.， 2022）。其二是不同NSSI類別的區(qū)分， 目前主要是將NSSI與其它類別心理問題或精神障礙進行區(qū)分， 因為NSSI與不同心理問題和精神障礙的高共病率可能掩蓋其真實影響因子。一項研究使用NPL對721條電子病歷聊天信息進行了處理和系統(tǒng)的訓練（Swaminathan et al.， 2023）， 最終成功將NSSI與自殺/殺人意念、家庭暴力等危機進行分類（AUC = 0.98）; 還發(fā)現(xiàn)疼痛回避作為一種獨特的預先存在的因素， 可以區(qū)分青少年的自殺和NSSI， 但NSSI模型的性能相對于自殺表現(xiàn)更差（Bao et al.， 2024）; 也有通過機器學習區(qū)分自傷和暴力襲擊， 發(fā)現(xiàn)深度神經(jīng)網(wǎng)絡和自適應增強算法預測更準確（Yin et al.， 2021）。其三是使用無監(jiān)督算法對NSSI內(nèi)部功能、頻率、目的等進行分類， 即探究NSSI亞型， 以期望在同型間建立高預測力模型。有研究根據(jù)NSSI特征和嚴重程度對青少年抑郁癥臨床樣本進行亞型區(qū)分， 使用潛在類別分析確定了“高自殺意念NSSI組”和“低自殺意念NSSI組”兩種亞型， 并發(fā)現(xiàn)女孩、單親家庭、留守經(jīng)歷、抑郁和同伴欺凌增加了屬于“高自殺意念NSSI組”的概率（He et al.， 2023）。另一項研究使用潛在剖面分析發(fā)現(xiàn)NSSI的動機存在5種亞型， 且隨時間推移， 動機為強烈渴望與他人交流或懲罰自己的被試會更頻繁出現(xiàn)NSSI行為（Dixon- Gordon et al.， 2022）。有研究者分析21篇NSSI分型的研究后發(fā)現(xiàn)， 目前NSSI分型結(jié)果存在明顯的異質(zhì)性， 相關分型的證據(jù)也不足， 但強調(diào)了NSSI功能和心理疼痛在NSSI分型中的重要作用（Wang et al.， 2024）。

有無NSSI的分類發(fā)掘了更多的關鍵預測因子（Lang et al.， 2024; Xu et al.， 2024）， 在復雜NSSI數(shù)據(jù)中建立預測力更高模型（Lang et al.， 2024）。將NSSI與其它心理障礙或精神障礙進行分類不僅有重要的研究價值， 還有很高的臨床應用價值， 有利于臨床危機信息分類和分診， 節(jié)約診斷時間， 并降低診斷失誤（Swaminathan et al.， 2023; Yin et al.， 2021）。

NSSI亞型的異質(zhì)性高， 則進一步說明了NSSI問題本身的復雜性。現(xiàn)有證據(jù)表明， 心理病理學在許多方面都是異質(zhì)的， 不同的病因機制可能與同一疾病有關， 并且在同個人中可能存在多種結(jié)果（Feczko et al.， 2019）。因此進一步探究NSSI的分類問題， 不僅有利于明晰NSSI本身問題， 也為其他心理病理學分類識別提供參考。

總之， 機器學習有望解決NSSI測量困難、高度復雜性和高度異質(zhì)性的難題， 提高了NSSI模型的預測力， 如圖3所示。

5" 現(xiàn)存問題與未來展望

5.1" 進一步豐富數(shù)據(jù)類型， 以提高模型性能

通過機器學習構建NSSI的模型已經(jīng)達到中良性能， 較傳統(tǒng)研究已經(jīng)有了很大的改善。但對比機器學習在其它心理健康/精神問題的應用， NSSI與機器學習的相關研究顯然還有提升空間。NSSI測量困難導致樣本量偏少， 過于依賴問卷或臨床病例單一類型數(shù)據(jù)， 是影響機器學習性能的關鍵。未來研究可重點考慮拓展多類型多指標NSSI模型和多測量方法進行改善。

在測量方面， 生態(tài)瞬時評估法（EMA）是適用NSSI機器學習最有前景的方法。我國雖然因缺乏統(tǒng)一化的醫(yī)療信息管理系統(tǒng)等因素導致病例數(shù)據(jù)收集困難（董健宇 等， 2020）， 但在統(tǒng)籌問卷調(diào)查中具有優(yōu)勢， 可將問卷與生態(tài)瞬時評估技術進一步結(jié)合， 以實時、真實的方式評估暴露和結(jié)果， 從而獲取大量數(shù)據(jù)。生態(tài)瞬時評估不會重新激活NSSI患者的負面想法， 結(jié)合機器學習分析可準確地分析自傷日常情況及其內(nèi)外部觸發(fā)因素（Gee et al.， 2020; Martinez-Ales amp; Keyes， 2019）。

結(jié)合多模態(tài)多指標數(shù)據(jù)， 也是提高NSSI模型性能的重要途徑。一項針對囚犯NSSI行為的研究發(fā)現(xiàn)， NSSI非結(jié)構數(shù)據(jù)集的模型性能要遠高于單一問卷數(shù)據(jù)集， 甚至高于二者結(jié)合的綜合數(shù)據(jù)集（Lu et al.， 2023）。文本數(shù)據(jù)比結(jié)構化數(shù)據(jù)包含更多信息， 單獨使用時產(chǎn)生AUC-ROC就達到0.862， 靈敏度、特異性分別達到0.816和0.738。但只使用非結(jié)構文本也帶來識別風險， 如針對臨床病例數(shù)據(jù)的分類依賴于醫(yī)生文檔， 其中語法錯誤、行話和特殊縮寫， 都會增加NLP錯誤分類的機會（Cliffe et al.， 2021）。因此結(jié)合多指標、多模態(tài)的大量數(shù)據(jù)才能真正發(fā)揮機器學習的優(yōu)勢， 也是NSSI模型性能突破的關鍵。

5.2" 結(jié)合已有理論與研究方法， 拓展深層次研究

機器學習在探究NSSI高預測因子、關鍵特征有重要的發(fā)現(xiàn)， 但如果完全忽視NSSI理論和已有研究， 會使機器學習偏離心理學研究， 并且想窮盡NSSI的影響因素也是不可能的（Siddaway et al.， 2020）。因此， 機器學習作為新興的研究方法， 應與NSSI傳統(tǒng)理論和研究方法進一步結(jié)合， 在已有成果上進一步發(fā)展。

研究者使用機器學習建立NSSI預測模型時， 僅有兩項研究納入和篩選的方式較為科學。一項研究從NSSI的家庭系統(tǒng)理論出發(fā)， 選擇20個相關預測因子（Zhou et al.， 2024）。另一項從大數(shù)據(jù)角度出發(fā)， 在4496個因子中選擇497個NSSI相關因子進行分析（Su et al.， 2023）。未來研究可考慮在前期結(jié)合NSSI理論和機器學習算法共同篩選變量， 從龐大數(shù)據(jù)庫選擇強預測因子， 再結(jié)合逐步回歸或結(jié)構方程建模， 有望進一步提高預測精度（Burke et al.， 2019）。如Nock （2009）的NSSI整合模型認為NSSI是生物、心理、社會三方面共同作用的結(jié)果， 涉及遺傳、童年創(chuàng)傷、負性情緒、負性認知、壓力反應、社交能力等諸多預測因子， 機器學習可先從不同方面篩選重要預測因子， 再建立模型。或如Hooley和Franklin （2018）提出的NSSI獲益和阻礙模型， 可使用機器學習進一步明確NSSI行為的獲益和阻礙因子， 以及兩種相反動力因素的復雜作用， 有利于提高對NSSI行為的預測。

機器學習也應與NSSI傳統(tǒng)測量深度融合， 如fMRI、fNRIS、EEG、眼動等方法產(chǎn)生的復雜數(shù)據(jù)和圖像式數(shù)據(jù)， 結(jié)合無監(jiān)督學習和深度學習進行數(shù)據(jù)降維、關鍵特征提取和分析， 而不僅局限于NSSI結(jié)構化數(shù)據(jù)和淺層學習的結(jié)合。

此外， 機器學習研究應該借鑒NSSI傳統(tǒng)研究存在的問題， 即以橫斷研究為主（何厚建 等， 2020）， 風險因素探究過多， 缺乏保護因素和積極因素的探究（楊佳欣 等， 2023）。機器學習應納入更多類型變量， 并進一步提高NSSI縱向水平預測力。

5.3" 增強可復制性與可比性， 以提高應用價值

目前研究中， NSSI的關鍵預測因子異質(zhì)性較高， 這既有NSSI本身高度復雜性的原因， 也有機器學習使用不同被試群體， 不同納入或篩除變量標準， 不同分析算法、訓練方法和評估指標的原因， 導致同類型研究比較困難（Burke et al.， 2019）， 臨床診斷和干預輔助的應用低。

本研究認為， 應遵循“先同再異， 先多再少”的原則， 提高機器學習在NSSI領域的可復制性和可比性。“先同”即先提高NSSI同類型群體或同亞型的模型預測力， 涉及NSSI同類型群體如同性別、同年齡段、同精神障礙的群體， 涉及NSSI本身的類型如同功能、同自傷頻率、同目的等亞型， 可先使用潛剖面、潛在類別分析或其它聚類算法來確定分型， 再選擇樣本量較多的群體進行探究。因為NSSI患者的日常經(jīng)歷存在可變性（Kyron et al.， 2021）， 最好在控制樣本變異性基礎上， 縮短隨訪期， 以此提高NSSI模型的預測能力（Franklin et al.， 2017）。“先多再少”是在提高類型同質(zhì)、樣本較多群體的模型預測力后， 再在不同類型， 樣本較小群體中進行遷移學習。遷移學習是將在數(shù)據(jù)豐富的源域中實現(xiàn)的學習， 再轉(zhuǎn)化為數(shù)據(jù)稀缺且難以獲得的相關目標域的過程。研究者曾在大學生方便樣本中預訓練NSSI的深度神經(jīng)網(wǎng)絡模型， 隨后在住院患者中進行微調(diào)， 并與住院患者自身構建模型進行比較， 結(jié)果深度遷移學習雖沒有提高分類精度， 但可以緩沖過度擬合（Kentopp， 2021）。因此， 若遷移學習后模型性能沒有明顯改變， 則意味著不同群體/類型中存在相同影響因子。若模型性能有大幅提升或下降， 則確定為不同質(zhì)群體， 考慮構建新模型， 以此在影響因子中合并不同NSSI群體， 或不同群體中合并相同預測因子， 最終建立穩(wěn)定分類和同類群體的高預測力模型， 為臨床診斷和干預決策提供參考。

6" 研究結(jié)論與貢獻

本研究共納入24篇研究， 通過桑基圖可視化分析了機器學習從收集樣本到選擇算法、訓練模型、評估模型的過程。對機器學習提高NSSI預測力的應用和優(yōu)勢進行總結(jié)， 發(fā)現(xiàn)機器學習可精簡問卷或豐富其它有效研究工具， 有望解決NSSI測量困難導致研究預測力低的問題。此外， 機器學習還通過發(fā)現(xiàn)和識別關鍵預測因子、建立復雜模型和NSSI分類與分型進一步提高了研究的預測力。但模型性能和結(jié)果可復制性、可比性有待提高。因此， 本研究提出先分型、后遷移的建議， 先通過數(shù)量多的同類型樣本構建較高預測力的機器學習模型， 再遷移學習到其它群體， 既驗證模型的可復制性， 也考慮不同群體的異質(zhì)性， 最終實現(xiàn)穩(wěn)定、高效預測NSSI。此外， 機器學習應與已有NSSI的理論、測量方法、分析方法深度融合， 并在此基礎上進行更深度的研究， 進一步提高縱向預測水平。

參考文獻

（*為納入系統(tǒng)分析的文獻）

白榮， 高葉淼， 李金文， 劉霞. （2023）. 遠近端人際壓力與FKBP5基因?qū)η嗌倌曜詡袨榈穆?lián)合影響： 基于發(fā)展的視角. 心理學報， 55（9）， 1477?1488.

鄧洵， 陳寧， 王單單， 趙歡歡， 賀雯. （2022）. 自傷行為的神經(jīng)生理機制及共病障礙比較. 心理科學進展， 30（7）， 1561?1573.

董波， 陳艾睿， 張明. （2021）. 機器學習在解決過擬合現(xiàn)象中的作用. 心理科學， 44（2）， 274?281.

董健宇， 韋文棋， 吳珂， 妮娜， 王粲霏， 付瑩， 彭歆. （2020）. 機器學習在抑郁癥領域的應用. 心理科學進展， 28（2）， 266?274.

何厚建， 樂發(fā)國， 胡茂榮， 唐金香， 羅若云， 任倩怡， 孫曉嵐. （2020）. 國外非自殺性自傷研究現(xiàn)狀——基于CiteSpace可視化分析. 現(xiàn)代預防醫(yī)學， 47（20）， 3660?3664.

胡義秋， 曾子豪， 彭麗儀， 王宏才， 劉雙金， 楊琴， 方曉義. （2023）. 親子關系和父母教育卷入對青少年抑郁、自傷和自殺意念的影響： 挫敗感和人生意義感的作用. 心理學報， 55（1）， 129?141.

黃任之， 丁立平， 黃敏. （2013）. 青少年非自殺性自我傷害行為現(xiàn)狀、影響因素及干預. 中國臨床心理學雜志， 21（6）， 965?967.

江光榮， 于麗霞， 鄭鶯， 馮玉， 凌霄. （2011）. 自傷行為研究： 現(xiàn)狀、問題與建議. 心理科學進展， 19（6）， 861?873.

蔣家麗， 李立言， 李子穎， 雷秀雅， 孟澤龍. （2022）. 青少年非自殺性自傷行為持續(xù)和停止的預測性因素. 心理科學進展， 30（7）， 1536?1545.

*潘嬋， 劉曉容， 石相孜， 趙文欣， 田萌， 陳思遠， 張宛筑. （2023）. 基于機器學習構建貴州省大學生非自殺性自傷行為的預測模型. 中國學校衛(wèi)生， 44（8）， 1198?1202+1206.

卜曉鷗， 王耀， 杜亞雯， 王沛. （2023）. 機器學習在發(fā)展性閱讀障礙兒童早期篩查中的應用. 心理科學進展， 31（11）， 2092?2105.

孫蒙， 史戰(zhàn)明， 陳登國， 吉航西， 羅麗霞， 張渝雪. （2020）. 非自殺性自傷與精神障礙關系研究進展. 國際精神病學雜志， 47（1）， 11?13+24.

王玉龍， 趙婧斐， 藺秀云. （2024）. 家庭風險因素對青少年自傷的累積效應及其性別差異. 心理發(fā)展與教育， 40（2）， 240?247.

徐小明. （2023）. 機器學習方法用于構建青少年自殺自傷行為預警模型研究 [博士學位論文]. 重慶醫(yī)科大學.

顏赟慈. （2015）. 自傷行為中疼痛和見血的情緒調(diào)節(jié)作用 [碩士學位論文]. 華中師范大學.

楊佳欣， 田于勝， 付熙， 李亞敏. （2023）. 青少年非自殺性自傷影響因素的研究進展. 中國臨床心理學雜志， 31（5）， 1145?1149.

楊柳， 王鈺. （2015）. 泛化誤差的各種交叉驗證估計方法綜述. 計算機應用研究， 32（5）， 1287?1290+1297.

尹斐， 姜文龍， 周郁秋， 楊金偉， 楊楠. （2023）. 生態(tài)系統(tǒng)視域下青少年非自殺性自傷行為影響因素的優(yōu)勢分析. 中國健康教育， 39（6）， 517?522.

尹慧芳， 徐浩林， 劉肇瑞， 張一嬌， 秦丹妮， 黃悅勤. （2022）. 青少年非自殺性自傷行為的理論模型研究. 中國心理衛(wèi)生雜志， 36（8）， 707?713.

周志華. （2016）. 機器學習. 北京： 清華大學出版社.

Ahn， C. Y.， amp; Lee， J. S. （2024）. Digital phenotyping for real-time monitoring of nonsuicidal self-injury： Protocol for a prospective observational study. JMIR Research Protocols， 13（1）， e53597， Advance online publication， doi： 10.2196/53597.

Akbari， M.， Seydavi， M.， Firoozabadi， M. A.， amp; Babaeifard， M. （2024）. Distress tolerance and lifetime frequency of non-suicidal self-injury （NSSI）： A systematic review and meta-analysis. Clinical Psychology amp; Psychotherapy， 31（1）， e2957.

*Arora， A.， Bojko， L.， Kumar， S.， Lillington， J.， Panesar， S.， amp; Petrungaro， B. （2023）. Assessment of machine learning algorithms in national data to classify the risk of self-harm among young adults in hospital： A retrospective study. International Journal of Medical Informatics， 177， 105164.

Baer， M. M.， Tull， M. T.， Forbes， C. N.， Richmond， J. R.， amp; Gratz， K. L. （2020）. Methods matter： Nonsuicidal self‐injury in the form of cutting is uniquely associated with suicide attempt severity in patients with substance use disorders. Suicide and Life‐Threatening Behavior， 50（2）， 397?407.

*Bao， J.， Wan， J.， Li， H.， amp; Sun， F. （2024）. Psychological pain and sociodemographic factors classified suicide attempt and non-suicidal self-injury in adolescents. Acta Psychologica， 246， 104271.

Belfort， E. L.， amp; Miller， L. （2018）. Relationship between adolescent suicidality， self-injury， and media habits. Child and Adolescent Psychiatric Clinics， 27（2）， 159?169.

Bhadra， S.， amp; Kumar， C. J. （2022）. An insight into diagnosis of depression using machine learning techniques： A systematic review. Current Medical Research and Opinion， 38（5）， 749?771.

Burke， T. A.， Ammerman， B. A.， amp; Jacobucci， R. （2019）. The use of machine learning in the study of suicidal and non-suicidal self-injurious thoughts and behaviors： A systematic review. Journal of Affective Disorders， 245， 869?884.

Case， J. A. C.， Burke， T. A.， Siegel， D. M.， Piccirillo， M. L.， Alloy， L. B.， amp; Olino， T. （2020）. Functions of non-suicidal self-injury in late adolescence： A latent class analysis. Archives of Suicide Research Official Journal of the International Academy for Suicide Research， 24（sup2）， S165?S186.

Castillo-Sánchez， G.， Marques， G.， Dorronzoro， E.， Rivera- Romero， O.， Franco-Martín， M.， amp; De la Torre-Díez， I. （2020）. Suicide risk assessment using machine learning and social networks： A scoping review. Journal of Medical Systems， 44（12）， 205.

*Chen， S. C.， Huang， H. C.， Liu， S. I.， amp; Chen， S. H. （2024）. Prediction of repeated self-harm in six months： Comparison of traditional psychometrics with random forest algorithm. OMEGA-Journal of Death and Dying， 88（4）， 1403?1429.

Christoforou， R.， Boyes， M.， amp; Hasking， P. （2021）. Emotion profiles of university students engaging in non-suicidal self-injury： Association with functions of self-injury and other mental health concerns. Psychiatry Research， 305， 114253.

*Cliffe， C.， Seyedsalehi， A.， Vardavoulia， K.， Bittar， A.， Velupillai， S.， Shetty， H.， Schmidt， U.， amp; Dutta， R. （2021）. Using natural language processing to extract self-harm and suicidality data from a clinical sample of patients with eating disorders： A retrospective cohort study. BMJ Open， 11（12）， e053808.

Collins， G. S.， Reitsma， J. B.， Altman， D. G.， amp; Moons， K. G. （2015）. Transparent reporting of a multivariable prediction model for individual prognosis or diagnosis （TRIPOD）： The TRIPOD statement. Annals of Internal Medicine， 162（1）， 55?63.

Daukantaite， D.， Lundh， L. G.， Wangby-Lundh， M.， Clareus， B.， Bjarehed， J.， Zhou， Y.， amp; Liljedahl， S. I. （2021）. What happens to young adults who have engaged in self- injurious behavior as adolescents？ A 10-year follow-up. European Child amp; Adolescent Psychiatry， 30（3）， 475?492.

De Luca， L.， Pastore， M.， Palladino， B. E.， Reime， B.， Warth， P.， amp; Menesini， E. （2023）. The development of Non-Suicidal Self-Injury （NSSI） during adolescence： A systematic review and Bayesian meta-analysis. Journal of Affective Disorders， 339， 648?659.

Dixon‐Gordon， K. L.， Turner， B. J.， Haliczer， L. A.， Gratz， K. L.， Tull， M. T.， amp; Chapman， A. L. （2022）. Self‐injury motives： A person‐centered examination. Suicide and Life‐Threatening Behavior， 52（4）， 812?827.

*Farajzadeh， N.， amp; Sadeghzadeh， N. （2023）. NSSI questionnaires revisited： A data mining approach to shorten the NSSI questionnaires. PlOS ONE， 18（4）， e0284588.

Feczko， E.， Miranda-Dominguez， O.， Marr， M.， Graham， A. M.， Nigg， J. T.， amp; Fair， D. A. （2019）. The heterogeneity problem： Approaches to identify psychiatric subtypes. Trends in Cognitive Sciences， 23（7）， 584?601.

Fox， K. R.， Franklin， J. C.， Ribeiro， J. D.， Kleiman， E. M.， Bentley， K. H.， amp; Nock， M. K. （2015）. Meta-analysis of risk factors for nonsuicidal self-injury. Clinical Psychology Review， 42， 156?167.

*Fox， K. R.， Huang， X.， Linthicum， K. P.， Wang， S. B.， Franklin， J. C.， amp; Ribeiro， J. D. （2019）. Model complexity improves the prediction of nonsuicidal self-injury. Journal of Consulting and Clinical Psychology， 87（8）， 684?692.

Franklin， J. C.， Ribeiro， J. D.， Fox， K. R.， Bentley， K. H.， Kleiman， E. M.， Huang， X.， ... Nock， M. K. （2017）. Risk factors for suicidal thoughts and behaviors： A meta-analysis of 50 years of research. Psychological Bulletin， 143（2）， 187?232.

Fu， X.， Yang， J.， Liao， X.， Ou， J.， Li， Y.， amp; Chen， R. （2020）. Parents’ attitudes toward and experience of non-suicidal self-injury in adolescents： A qualitative study. Frontiers in Psychiatry， 11， 538756.

Gee， B. L.， Han， J.， Benassi， H.， amp; Batterham， P. J. （2020）. Suicidal thoughts， suicidal behaviours and self-harm in daily life： A systematic review of ecological momentary assessment studies. Digital Health， 6. doi： 10.1177/ 2055207620963958

Guérin-Marion， C.， Bureau， J. -F.， Lafontaine， M. -F.， Gaudreau， P.， amp; Martin， J. （2021）. Profiles of emotion dysregulation among university students who self-Injure： Associations with parent?child relationships and non-suicidal self-injury characteristics. Journal of Youth and Adolescence， 50（4）， 767?787.

*Guo， X.， Wang， L.， Li， Z.， Feng， Z.， Lu， L.， Jiang， L.， amp; Zhao， L. （2024）. Factors and pathways of non-suicidal self-injury in children： Insights from computational causal analysis. Frontiers in Public Health， 12， 1305746.

Haregu， T.， Chen， Q.， Arafat， S. M. Y.， Cherian， A.， amp; Armstrong， G. （2023）. Prevalence， correlates and common methods of non-suicidal self-injury in South Asia： A systematic review. BMJ Open， 13（11）， e074776.

Hasking， P.， Lewis， S. P.， amp; Tonta， K. （2023）. A person- centred conceptualisation of non-suicidal self-injury recovery： A practical guide. Counselling Psychology Quarterly， 37（3）， 376?397.

Hasking， P.， Whitlock， J.， Voon， D.， amp; Rose， A. （2017）. A cognitive-emotional model of NSSI： Using emotion regulation and cognitive processes to explain why people self-injure. Cognition and Emotion， 31（8）， 1543?1556.

He， H.， Hong， L.， Jin， W.， Xu， Y.， Kang， W.， Liu， J.， ... Zhao， K. （2023）. Heterogeneity of non-suicidal self-injury behavior in adolescents with depression： Latent class analysis. BMC Psychiatry， 23（1）， 1?13.

Hooley， J. M.， amp; Franklin， J. C. （2018）. Why do people hurt themselves？ A new conceptual model of non-suicidal self-injury. Clinical Psychological Science， 6（3）， 428?451.

Jaiswal， J. K.， amp; Samikannu， R. （2017）. Application of random forest algorithm on feature subset selection and classification and regression. In World Congress on Computing and Communication Technologies （WCCCT）， Tiruchirappalli， India， doi： 10.1109/WCCCT.2016.25.

*Kappes， J. R.， Huber， D. A.， Kirchebner， J.， Sonnweber， M.， Günther， M. P.， amp; Lau， S. （2023）. Self-Harm among forensic psychiatric inpatients with schizophrenia spectrum disorders： An explorative analysis. International Journal of Offender Therapy and Comparative Criminology， 67（4）， 352?372.

Kentopp， S. （2021）. Deep transfer learning for prediction of health risk behaviors in adolescent psychiatric patients [Unpublished doctoral dissertation]. Colorado State University.

Kinchin， I.， Doran， C. M.， Hall， W. D.， amp; Meurk， C. （2017）. Understanding the true economic impact of self-harming behaviour. The Lancet Psychiatry， 4（12）， 900?901.

*Kumar， P.， Nestsiarovich， A.， Nelson， S. J.， Kerner， B.， Perkins， D. J.， amp; Lambert， C. G. （2020）. Imputation and characterization of uncoded self-harm in major mental illness using machine learning. Journal of the American Medical Informatics Association， 27（1）， 136?146.

*Kyron， M. J.， Hooke， G. R.， amp; Page， A. C. （2021）. Prediction and network modelling of self-harm through daily self-report and history of self-injury. Psychological Medicine， 51（12）， 1992?2002.

*Lang， A. N.， Zhong， Y.， Lei， W.， Xiao， Y.， Hang， Y.， Xie， Y.， ... Wang， C. （2024）. Neural mechanism of non-adaptive cognitive emotion regulation in patients with non-suicidal self-injury. Comprehensive Psychiatry， 133， 152487.

Lanza， S. T.， amp; Cooper， B. R. （2016）. Latent class analysis for developmental research. Child Development Perspectives， 10（1）， 59?64.

*Lu， H.， Barrett， A.， Pierce， A.， Zheng， J.， Wang， Y.， Chiang， C.， amp; Rakovski， C. （2023）. Predicting suicidal and self-injurious events in a correctional setting using AI algorithms on unstructured medical notes and structured data. Journal of Psychiatric Research， 160， 19?27.

Martinez-Ales， G.， amp; Keyes， K. M. （2019）. Fatal and non-fatal self-injury in the USA： Critical review of current trends and innovations in prevention. Current Psychiatry Reports， 21（10）， 1?11.

*Marti-Puig， P.， Capra， C.， Vega， D.， Llunas， L.， amp; Solé-Casals， J. （2022）. A machine learning approach for predicting non-suicidal self-injury in young adults. Sensors， 22（13）， 4790.

*Murner-Lavanchy， I.， Koenig， J.， Reichl， C.， Josi， J.， Cavelti， M.， amp; Kaess， M. （2024）. The quest for a biological phenotype of adolescent non-suicidal self-injury： A machine- learning approach. Translational Psychiatry， 14（1）， 56.

*Murner-Lavanchy， I.， Koenig， J.， Lerch， S.， van der Venne， P.， Hoper， S.， Resch， F.， amp; Kaess， M. （2022）. Neurocognitive functioning in adolescents with non-suicidal self-injury. Journal of Affective Disorders， 311， 55?62.

Nitkowski， D.， amp; Petermann， F. （2010）. Non-suicidal self-injury and comorbid mental disorders： A review. Fortschritte der Neurologie-Psychiatrie， 79（1）， 9?20.

Nock， M. K. （2009）. Why do people hurt themselves？ New insights into the nature and functions of self-injury. Current Directions in Psychological Science， 18（2）， 78?83.

Peel‐Wainwright， K. M.， Hartley， S.， Boland， A.， Rocca， E.， Langer， S.， amp; Taylor， P. J. （2021）. The interpersonal processes of non-suicidal self-injury： A systematic review and meta-synthesis. Psychology and Psychotherapy： Theory， Research and Practice， 94（4）， 1059?1082.

Qu， D.， Wen， X.， Liu， B.， Zhang， X.， He， Y.， Chen， D.， ... Chen， R. （2023）. Non-suicidal self-injury in Chinese population： A scoping review of prevalence， method， risk factors and preventive interventions. The Lancet Regional Health. Western Pacific， 37， 100794. https：//doi.org/10.1016/ j.lanwpc.2023.100794

Radziwi??owicz， W.， amp; Lewandowska， M. （2017）. Deliberate self-injury functions and their clinical correlates among adolescent psychiatric inpatients. Psychiatria Polska， 51（2）， 303?322.

Rahman， F.， Webb， R. T.， amp; Wittkowski， A. （2021）. Risk factors for self-harm repetition in adolescents： A systematic review. Clinical Psychology Review， 88， 102048.

Ribeiro， J. D.， Franklin， J. C.， Fox， K. R.， Bentley， K. H.， Kleiman， E. M.， Chang， B. P.， amp; Nock， M. K. （2016）. Self-injurious thoughts and behaviors as risk factors for future suicide ideation， attempts， and death： A meta- analysis of longitudinal studies. Psychological Medicine， 46（2）， 225?236.

Siddaway， A. P.， Quinlivan， L.， Kapur， N.， O'Connor， R. C.， amp; de Beurs， D. （2020）. Cautions， concerns， and future directions for using machine learning in relation to mental health problems and clinical and forensic risks： A brief comment on “Model complexity improves the prediction of nonsuicidal self-injury” （Fox et al.， 2019）. Journal of Consulting and Clinical Psychology， 88（4）， 384?387.

Simundic， A. -M. （2009）. Measures of diagnostic accuracy： Basic definitions. EJIFCC， 19（4）， 203?211.

Staniland， L.， Hasking， P.， Boyes， M.， amp; Lewis， S. （2021）. Stigma and nonsuicidal self-injury： Application of a conceptual framework. Stigma and Health， 6（3）， 312?323.

Steinhoff， A.， Ribeaud， D.， Kupferschmid， S.， Raible-Destan， N.， Quednow， B. B.， Hepp， U.， ... Shanahan， L. （2021）. Self-injury from early adolescence to early adulthood： Age-related course， recurrence， and services use in males and females from the community. European Child amp; Adolescent Psychiatry， 30（6）， 937?951.

Steyerberg， E. W.， Harrell Jr， F. E.， Borsboom， G. J.， Eijkemans， M. J. C.， Vergouwe， Y.， amp; Habbema， J. D. F. （2001）. Internal validation of predictive models： Efficiency of some procedures for logistic regression analysis. Journal of Clinical Epidemiology， 54（8）， 774?781.

*Su， R.， John， J. R.， amp; Lin， P. -I. （2023）. Machine learning- based prediction for self-harm and suicide attempts in adolescents. Psychiatry Research， 328， 115446.

*Swaminathan， A.， Lopez， I.， Mar， R. A. G.， Heist， T.， McClintock， T.， Caoili， K.， ... Nock， M. K. （2023）. Natural language processing system for rapid detection and intervention of mental health crisis chat messages. NPJ Digital Medicine， 6（1）， 1?9.

Syed， S.， Kingsbury， M.， Bennett， K.， Manion， I.， amp; Colman， I. （2020）. Adolescents’ knowledge of a peer’s non- suicidal self‐injury and own non-suicidal self-injury and suicidality. Acta Psychiatrica Scandinavica， 142（5）， 366?373.

Tang， J.， Li， G.， Chen， B.， Huang， Z.， Zhang， Y.， Chang， H.， ... Yu， Y. （2018）. Prevalence of and risk factors for non-suicidal self-injury in rural China： Results from a nationwide survey in China. Journal of Affective Disorders， 226， 188?195.

Walsh， C. G.， Ribeiro， J. D.， amp; Franklin， J. C. （2017）. Predicting risk of suicide attempts over time through machine learning. Clinical Psychological Science， 5（3）， 457?469.

Wang， Z.， Li， D.， Chen， Y.， Tao， Z.， Jiang， L.， He， X.， amp; Zhang， W. （2024）. Understanding the subtypes of non- suicidal self-injury： A new conceptual framework based on a systematic review. Psychiatry Research， 334， 115816.

*Xian， L.， Vickers， S. D.， Giordano， A. L.， Lee， J.， Kim， I. K.， amp; Ramaswamy， L. （2019）. Selfharm on Instagram： Quantitative analysis and classification of non-suicidal self-injury. In 2019 IEEE First International Conference on Cognitive Machine Intelligence （CogMI）， Los Angeles， CA， USA， doi： 10.1109/CogMI48466.2019.00017.

Xiao， Q.， Song， X.， Huang， L.， Hou， D.， amp; Huang， X. （2022）. Global prevalence and characteristics of non-suicidal self-injury between 2010 and 2021 among a non-clinical sample of adolescents： A meta-analysis. Frontiers in Psychiatry， 13， 912441.

*Xu， X. M.， Liu， Y. S.， Hong， S.， Liu， C.， Cao， J.， Chen， X. R.， ... Kuang， L. （2024）. The prediction of self-harm behaviors in young adults with multi-modal data： An XGBoost approach. Journal of Affective Disorders Reports， 16， 100723.

*Yang， J.， Chen， Y.， Yao， G.， Wang， Z.， Fu， X.， Tian， Y.， amp; Li， Y. （2022）. Key factors selection on adolescents with non-suicidal self-injury： A support vector machine based approach. Frontiers in Public Health， 10， 1049069.

Yarkoni， T.， amp; Westfall， J. （2017）. Choosing prediction over explanation in psychology： Lessons from machine learning. Perspectives on Psychological Science， 12（6）， 1100?1122.

*Yin， X.， Ma， D.， Zhu， K.， amp; Li， D. （2021）. Identifying intentional injuries among children and adolescents based on Machine Learning. PLOS ONE， 16（1）， e0245437.

*Zhong， Y.， He， J.， Luo， J.， Zhao， J.， Cen， Y.， Song， Y.， ... Luo， J. （2024）. A machine learning algorithm-based model for predicting the risk of non-suicidal self-injury among adolescents in western China： A multicentre cross-sectional study. Journal of Affective Disorders， 345， 369?377.

*Zhou， S. C.， Zhou， Z.， Tang， Q.， Yu， P.， Zou， H.， Liu， Q.， ... Luo， D. （2024）. Prediction of non-suicidal self-injury in adolescents at the family level using regression methods and machine learning. Journal of Affective Disorders， 352， 67?75.

Application of machine learning to improve the predictive performance

of non-suicidal self-injury： A systematic review

GAO Baixue1， XIE Yunlong1， LUO Junlong1，2， HE Wen1，2

（1 College of Psychology， Shanghai Normal University， Shanghai 200234， China）

（2 Lab for Educational Big Data and Policymaking， Ministry of Education，

Shanghai Normal University， Shanghai 200234， China）

Abstract： Non-suicidal self-injury （NSSI） is a significant public health problem characterised by widespread stigma， high complexity and heterogeneity. Traditional NSSI research measure and analysis methods are limited， resulting in very low predictive power of the identified factors. In recent years， machine learning has gradually been applied to the analysis and modelling of NSSI. Through simplified questionnaire models and complex multimodal data models， the importance of predictive factors can be visualised and more accurate NSSI classification can be achieved， thus improving the overall predictive performance to a moderate level. In the future， it is necessary to combine traditional NSSI theories and methods to make the screening criteria more stringent， and combine unsupervised learning with transfer learning to increase the reproducibility and comparability of the models. Furthermore， combining non-questionnaire NSSI data with deep learning meanwhile is helpful to improve the predictive performance.

Keywords： machine learning， non-suicidal self-injury， predictive power， application