人們通過所說的話以及說話的方式來表達他們自己，包括語音語調，用詞以及語句長度等等，這些是理解人們心理真正想法的重要參考信息。當心理醫(yī)生或心理學家在觀察一個人的時候，他們會根據(jù)以上幾個方面來判斷這個人是否有幸福感，根據(jù)以往的歷史經驗來指導他們的判斷。研究人員目前正在借助機器學習的幫助，來將這些方法用于精神疾病的診斷當中。

機器學習這一話題早已遠遠超出了它的起源——計算機科學，滲透到了眾多的公共和私營行業(yè)以及各種不同的學術學科。盡管機器學習技術和人工智能（AI）這兩個術語經?？梢曰Q使用，但其實前者通常被認為是更廣泛的人工智能（AI）領域的一個子集。

醫(yī)療保健業(yè)就是嘗試將運用機器學習技術的領域之一。目前，醫(yī)療行業(yè)中應用最廣泛的人工智能技術就是機器學習，它在改善患者身體健康以及心理健康等方面都有所涉足。

醫(yī)療保健行業(yè)內機器學習應用的目標一般是增強臨床理解與改善患者護理。具體來說，越來越多的研究都將重點放在使用機器學習來改善患者的篩查、診斷、臨床決策和特定治療結果上。

相較于機器學習在身體健康領域的應用來說，它在心理健康領域的應用仍比較落后。不過我們很開心能看到，近年來有關機器學習改善人們心理健康方面的研究數(shù)量增長十分迅速。

心理健康是一個龐大的產業(yè)，這一領域的機器學習研究已經被應用到了大量的課題，包括藥物治療、臨床診斷、心理治療結果，它甚至可以預測嚴重精神疾病的發(fā)生。更具體地說，上述幾個方面機器學習在心理健康領域的應用往往聚焦于某一特定的診斷群體，有時甚至會細化到該心理疾病的某一特定治療方式。

目前機器學習研究中最普遍的診斷群體也是心理健康疾病中最普遍的病癥——抑郁癥。據(jù)估計，僅在美國，2017年就有超過1700萬成年人至少有過一次嚴重的抑郁癥發(fā)作經歷，這個數(shù)字占總人口的比例高達7%。

2015年，一組研究人員共同開發(fā)出了一種人工智能模型，它可以通過分析年輕人的說話方式準確預測出這些人有沒有患上某種精神病，或者精神分裂癥。這種智能模式主要是側重于口語化表達的研究，比如短句，疑問詞，或者對“這個”“那個”等詞語的使用，以及對一詞多義的理解。

機器學習在抑郁癥診療中最突出、普遍的應用之一，就是其在藥物治療結果上的使用。事實上，檢索在抑郁癥診療中應用機器學習的期刊你就會發(fā)現(xiàn)，大部分的論文都將重點放在了精神藥物治療上。

其中一項著名的研究結合了之前9項抑郁癥研究的臨床數(shù)據(jù)，利用機器學習對相關癥狀進行聚類，隨后建立了一個機器學習模型來評估幾種主要抗抑郁藥物的療效。結果發(fā)現(xiàn)了三組癥狀，并發(fā)現(xiàn)研究涉及的幾種抗抑郁藥的療效存在統(tǒng)計學上的顯著差異。這表明醫(yī)生在給抑郁癥患者開藥時，應該根據(jù)患者所表現(xiàn)的具體癥狀對癥下藥。

認知、心理運動和情感測試等具體的心理評估工具也用來對結果進行分類。這些聚類被用來預測心理藥物治療后的反應，結果顯示，某些生物標記與有效抗抑郁藥物處方有關。機器學習還應用于完成初始藥物治療方案后如何緩解抗抑郁癥癥狀這一課題的研究中，這是抑郁癥治療（用藥）中一個突出、反復出現(xiàn)的問題。

研究人員基于臨床評估數(shù)據(jù)來訓練機器學習模型，對三種不同抗抑郁藥物的作用（12周后）進行分類。結果表明，所分析的164個臨床特征能夠以60%的準確率預測三種藥物治療方案中的兩種方案對抑郁癥的緩解情況。

雖然在文獻中不常見，但機器學習也應用于抑郁癥除藥物治療外其他形式的治療結果。還有兩類抑郁癥治療數(shù)據(jù)也較為突出，即心理治療結果和影像學數(shù)據(jù)（如磁共振成像掃描）。

關于使用機器學習預測單相和雙相抑郁癥治療結果的首個薈萃分析評估了包括心理治療在內所有形式的抑郁癥治療數(shù)據(jù)。在對639項潛在研究進行初步抽象分析后，研究人員針對其中的75項研究進行了全文通覽，發(fā)現(xiàn)其中的26項研究是在利用機器學習算法來預測抑郁癥治療結果，符合本研究納入標準。

這些研究結果普遍支持機器學習在預測治療結果方面的有效性，綜合成功率為82%（P 《 .05），并表示使用多種數(shù)據(jù)類型的算法最為有效。當專門對MRI數(shù)據(jù)進行決策樹訓練，對初始抗抑郁治療8周后的緩解率進行分類時，發(fā)現(xiàn)MRI可以成功識別出一部分可能對初始抗抑郁治療無反應的患者。

為了準確地識別出混合有精神病和抑郁癥狀的患者，伯明翰大學的研究人員最近開發(fā)了一種使用機器學習的方法。這項研究的結果發(fā)表在《精神分裂癥公報》上。

患有抑郁癥或精神病的患者很少會經歷純粹的一種或另一種疾病的癥狀。從歷史上看，這意味著心理健康臨床醫(yī)生可以診斷出“原發(fā)性”疾病，但具有繼發(fā)性癥狀。對臨床醫(yī)生而言，做出準確的診斷是一項巨大的挑戰(zhàn)，診斷通常無法準確反映出個人經驗或神經生物學的復雜性。

例如，診斷為精神病的臨床醫(yī)生會經常將抑郁癥視為繼發(fā)性疾病，這會影響到更側重于精神病癥狀（例如幻覺或妄想）的治療決策。

伯明翰大學心理健康研究所和人腦健康中心的一個團隊與PRONIA財團的研究人員合作，希望探索使用機器學習來創(chuàng)建高度精確的“純”疾病模型的可能性，并使用這些研究了一組混合癥狀患者的診斷準確性。他們的結果發(fā)表在精神分裂癥公報上。

主要作者巴黎亞歷山德羅斯·拉路西斯（Paris Alexandros Lalousis）解釋說：“大多數(shù)患者都有合并癥，因此精神病患者也有抑郁癥狀，反之亦然?！?/p>

Lalousis補充說：“這對臨床醫(yī)生而言是一個很大的挑戰(zhàn)，那就是診斷并提供專為沒有合并癥的患者而設計的治療方法。并不是患者被誤診了，但是我們目前的診斷類別無法準確反映出臨床和神經生物學現(xiàn)實”。

研究人員檢查了問卷調查的回答，詳細的臨床訪談以及來自參與PRONIA研究的300名患者隊列的結構磁共振成像數(shù)據(jù)，PRONIA研究是由歐盟資助的在七個歐洲研究中心進行的隊列研究。

在這一隊列中，研究人員確定了可分為精神病而無任何抑郁癥狀或患有精神病而無任何精神病癥狀的患者的小亞組。

研究小組使用這些數(shù)據(jù)確定了“純粹”抑郁癥和“純粹”精神病的機器學習模型。然后，他們能夠使用機器學習方法將這些模型應用于具有兩種疾病癥狀的患者。目的是為每位患者建立高度準確的疾病狀況，并針對他們的診斷進行測試，以查看其準確性。

研究小組發(fā)現(xiàn)，雖然更容易準確診斷出以抑郁為主要疾病的患者，但患有抑郁癥的精神病患者的癥狀最常出現(xiàn)在抑郁方面。這可能表明抑郁癥比以前認為的在疾病中起更大的作用。

Lalousis說：“迫切需要更好的治療精神病和抑郁癥的方法，這些疾病構成了全球范圍內主要的精神健康挑戰(zhàn)。我們的研究強調，臨床醫(yī)生需要更好地了解這些疾病的復雜神經生物學以及‘co的作用-病態(tài)的癥狀;尤其要仔細考慮抑郁癥在疾病中的作用”。

Lalousis指出：“在這項研究中，我們已經展示了如何使用綜合了臨床，神經認知和神經生物學因素的復雜機器學習算法，可以幫助我們理解精神疾病的復雜性?！?/p>

Lalousis進一步表示：“將來，我們認為機器學習可能會成為準確診斷的關鍵工具。我們有真正的機會開發(fā)數(shù)據(jù)驅動的診斷方法-這是精神健康與身體健康保持同步的領域因此，保持這種勢頭非常重要?！?/p>

（健康界，讀芯術，1號機器人網，互聯(lián)網分析沙龍網綜合整理）

責任編輯：lq