ОБЪЯСНИМЫЕ МОДЕЛИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ДИАГНОСТИКЕ ПСИХОСОМАТИЧЕСКИХ РАССТРОЙСТВ: ВОЗМОЖНОСТИ И ОГРАНИЧЕНИЯ

АННОТАЦИЯ

В статье рассматриваются возможности и ограничения объяснимого искусственного интеллекта (XAI) при диагностике психосоматических расстройств. Показано, что традиционные методы субъективны, а модели машинного обучения часто работают как «чёрный ящик». Объяснимый ИИ делает их прозрачными для клинициста. Приведены примеры использования SHAP и LIME. Систематизированы ключевые ограничения XAI. Обосновывается необходимость гибридного подхода, где ИИ дополняет, но не заменяет психолога.

Ключевые слова: объяснимый искусственный интеллект, психосоматические расстройства, машинное обучение, SHAP, LIME, клиническая диагностика.

Введение

Психосоматические расстройства — состояния, при которых психологические факторы играют ключевую роль в возникновении телесных симптомов. Их диагностика сложна: симптомы размыты, пересекаются с другими заболеваниями, объективных анализов не существует. Специалист опирается на беседу и опросники, что делает диагностику субъективной.

Для решения этой проблемы применяют машинное обучение. Алгоритмы находят закономерности, незаметные человеку, однако работают как «чёрный ящик» — выдают результат без объяснения. Для клинической практики это неприемлемо: психолог должен понимать логику диагноза. Поэтому на первый план выходит объяснимый искусственный интеллект (XAI), делающий работу алгоритмов прозрачной.

Почему психосоматику трудно диагностировать

Психосоматические расстройства включают соматоформные нарушения, хроническую боль, функциональные синдромы. Их объединяет то, что жалобы не объясняются органической патологией, но реальны и мучительны. Сложности связаны с тремя факторами: гетерогенность симптомов, перекрытие с психическими расстройствами, отсутствие биомаркеров. Диагностика сильно зависит от субъективного мнения клинициста. Машинное обучение могло бы её объективизировать, но для этого нужно доверять алгоритму — а доверие возможно только при понимании логики его решений.

Что такое объяснимый ИИ

Объяснимый ИИ — набор методов, позволяющих интерпретировать прогнозы моделей. Два самых популярных:

SHAP — оценивает вклад каждого признака в итоговый прогноз. Если модель предсказывает высокий риск расстройства, SHAP покажет, что наибольший вклад внесли тревожность и соматосенсорная амплификация, а защитным фактором стало доверие к телу.

LIME — объясняет отдельные прогнозы, строя простую модель вокруг конкретного случая.

Исследования показывают, что SHAP сегодня доминирует в работах по XAI в психологии и психиатрии.

Примеры применения XAI

Пример 1. Прогноз соматического симптоматического расстройства. Учёные использовали XGBoost и SHAP-анализ для выявления предикторов соматического дистресса. Наибольший положительный вклад вносит соматосенсорная амплификация и фасеты нейротизма (тревожность, уязвимость). Защитными факторами выступили адаптивные интероцептивные способности — «не-беспокойство» и «доверие к телу». Результаты прямо указывают мишени для психотерапии.

Пример 2. Профиль психосоматической уязвимости (PSSP). На основе машинного обучения создан короткий опросник из восьми пунктов. С помощью SHAP удалось сократить его до минимального набора информативных вопросов при сохранении высокой точности (F1 = 0,80). Инструмент удобен для скрининга в практике клинического психолога.

Пример 3. Дифференциальная диагностика. XAI помогает различать состояния с похожими симптомами, например, синдром хронической усталости и депрессию. Модель не только ставит диагноз, но и объясняет, какие признаки были решающими.

Ограничения объяснимого ИИ

1. Нестабильность объяснений. SHAP и LIME могут давать разные объяснения для одного прогноза при незначительных изменениях данных, что подрывает доверие к методу.

2. Слабая клиническая валидация. Большинство исследований оценивают только технические метрики, забывая проверить понятность объяснений для практикующего психолога. Лишь около 18% работ привлекают клиницистов.

3. Риск алгоритмической предвзятости. Модели могут воспроизводить социальные стереотипы по полу, возрасту, что в клинической практике недопустимо.

4. Отсутствие эмпатии. ИИ не способен к эмпатическому контакту, крайне важному в работе с психосоматическими пациентами.

5. «Объяснение ради объяснения». Иногда XAI выдаёт технически корректные, но клинически бессмысленные объяснения.

Этические аспекты и перспективы

Внедрение XAI требует решения этических вопросов. Принцип «не навреди» диктует тщательную проверку алгоритмов. Принцип автономии пациента предполагает право на понятное объяснение диагноза. Принцип справедливости требует борьбы с предвзятостью.

Наиболее перспективен гибридный подход: объяснимый ИИ — инструмент поддержки решений, а не замены специалиста. Клиницист должен иметь возможность оспорить вывод алгоритма, опираясь на опыт. Важно развивать «человеко-центричную» объяснимость — на языке психологии, а не только математики.

Выводы

1. Объяснимый ИИ открывает новые возможности для диагностики психосоматических расстройств, делая алгоритмы прозрачными для клинициста.

2. Методы SHAP и LIME демонстрируют эффективность в выявлении личностных и поведенческих предикторов психосоматического риска.

3. Основные ограничения XAI — нестабильность объяснений, слабая клиническая валидация, риск предвзятости и отсутствие эмпатии.

4. Оптимальный путь — гибридный подход, где ИИ дополняет профессиональную экспертизу психолога, а не заменяет её.

Список литературы:

1. Бодров В.А. Психологический стресс: развитие и преодоление. – М.: ПЕР СЭ, 2006. – 528 с.
2. Predicting Somatic Symptom Disorder Using Facets of Neuroticism, Somatosensory Amplification, and Interoceptive Sensitivity: An Explainable Machine Learning Analysis // Scilit. – 2026.
3. Psychosomatic Susceptibility Profile (PSSP): a machine-learning-derived eight-item instrument // Scientific Reports. – 2026. – № 7.
4. Explainable Artificial Intelligence (XAI) in Psychology and Mental Health: A Systematic Literature Review // Europe PMC. – 2026.