在意识到早期干预对慢性精神健康 (MH) 患者的重要性后，用于心理健康 (MHCare) 的人工智能 (AI) 系统不断发展。社交媒体 (SocMedia) 成为支持寻求 MHCare 的患者的首选平台。没有社会耻辱感的同伴支持小组的建立使得患者从临床环境过渡到 SocMedia 支持的互动以获得快速帮助。研究人员开始探索 SocMedia 内容，寻找展示不同 MH 状况之间相关性或因果关系的线索，以设计更好的干预策略。基于用户级分类的 AI 系统旨在利用来自各种 MH 状况的不同 SocMedia 数据来预测 MH 状况。随后，研究人员创建了分类方案来衡量每种 MH 状况的严重程度。这种临时方案、工程特征和模型不仅需要大量数据，而且无法对结果进行临床上可接受和可解释的推理。为了改进 MHCare 的神经人工智能，需要注入临床医生在决策中使用的临床符号知识。神经人工智能系统在 MH 中的一种有影响力的用例是对话系统。这些系统需要分类和生成之间的协调，以促进对话代理 (CA) 中的人性化对话。当前具有深度语言模型的 CA 在其生成中缺乏事实正确性、医学相关性和安全性，这与无法解释的统计分类技术交织在一起。这个讲座式教程将展示我们对注入临床知识的神经符号方法的研究，以改善神经人工智能系统的结果，从而改善 MHCare 的干预措施：(a) 我们将讨论使用不同的临床知识创建专门的数据集来有效地训练神经人工智能系统。(b) 心血管疾病患者根据性别差异表现出不同的 MH 症状。我们将展示知识注入的神经人工智能系统可以识别此类患者中特定性别的 MH 症状。 (c) 我们将描述将临床过程知识注入启发式和约束式的策略，以改进语言模型来生成相关问题和答案。