在孟加拉，心理健康专业人员的比例极低，仅为每10万人1.17人，而全国仅有六名儿童精神科医生。此外，目前缺乏适用于早期筛查儿童虐待相关心理创伤的孟加拉语文化适配工具。
为此，我们提出了ShishuRaksha AI，这是一个决策支持（非诊断）框架，融合了四种筛查方式：经过验证的问卷（SDQ, CPSS）、孟加拉叙述文本、房树人（HTP）绘画特征和面部情感分析。该融合过程无需训练，基于临床权重，运用了跨模态注意力机制，并包含单一模态覆盖规则。
每一个风险评分都通过临床加权的扰动基础加法归因进行解释，并以双语（孟加拉语/英语）报告形式呈现，提供了向国家儿童保护服务（OCC, DSS, NMHH）的转介路径，符合2013年《儿童法》。
由于当前伦理限制，无法收集虐待儿童的临床数据，我们引入了一个噪声感知的合成基准（500个案例，116个阳性[23.2%]，四个故意噪声层次，基于文献的HTP先验），并在5折分层交叉验证下评估融合设计的树集成代理（不包括面部通道）。
融合模型的AUC达到了0.874 [0.834-0.908]，而仅使用SDQ的基线为0.756 [0.705-0.803]，并进行了消融、操作点、子组和校准分析。我们公开说明了所有局限性，包括仅使用合成数据、没有保留集、文本特征的循环性以及城乡子组差距。
这项工作是对在资源匮乏环境中伦理部署儿童保护筛查的可行性研究和设计贡献。
博主点评： 这项研究为在心理健康资源稀缺的地区提供了创新的解决方案，利用多模态数据融合，提高了儿童虐待相关创伤的筛查能力。尽管面临伦理和数据限制，其方法论的设计为未来的应用奠定了坚实基础，值得关注。