机器学习可以帮助心理健康诊断

人们通过所说的话以及说话的方式来表达他们自己，包括语音语调，用词以及语句长度等等，这些是理解人们心理真正想法的重要参考信息。当心理医生或心理学家在观察一个人的时候，他们会根据以上几个方面来判断这个人是否有幸福感，根据以往的历史经验来指导他们的判断。研究人员目前正在借助机器学习的帮助，来将这些方法用于精神疾病的诊断当中。

机器学习这一话题早已远远超出了它的起源——计算机科学，渗透到了众多的公共和私营行业以及各种不同的学术学科。尽管机器学习技术和人工智能（AI）这两个术语经常可以互换使用，但其实前者通常被认为是更广泛的人工智能（AI）领域的一个子集。

医疗保健业就是尝试将运用机器学习技术的领域之一。目前，医疗行业中应用最广泛的人工智能技术就是机器学习，它在改善患者身体健康以及心理健康等方面都有所涉足。

医疗保健行业内机器学习应用的目标一般是增强临床理解与改善患者护理。具体来说，越来越多的研究都将重点放在使用机器学习来改善患者的筛查、诊断、临床决策和特定治疗结果上。

相较于机器学习在身体健康领域的应用来说，它在心理健康领域的应用仍比较落后。不过我们很开心能看到，近年来有关机器学习改善人们心理健康方面的研究数量增长十分迅速。

心理健康是一个庞大的产业，这一领域的机器学习研究已经被应用到了大量的课题，包括药物治疗、临床诊断、心理治疗结果，它甚至可以预测严重精神疾病的发生。更具体地说，上述几个方面机器学习在心理健康领域的应用往往聚焦于某一特定的诊断群体，有时甚至会细化到该心理疾病的某一特定治疗方式。

目前机器学习研究中最普遍的诊断群体也是心理健康疾病中最普遍的病症——抑郁症。据估计，仅在美国，2017年就有超过1700万成年人至少有过一次严重的抑郁症发作经历，这个数字占总人口的比例高达7%。

2015年，一组研究人员共同开发出了一种人工智能模型，它可以通过分析年轻人的说话方式准确预测出这些人有没有患上某种精神病，或者精神分裂症。这种智能模式主要是侧重于口语化表达的研究，比如短句，疑问词，或者对“这个”“那个”等词语的使用，以及对一词多义的理解。

机器学习在抑郁症诊疗中最突出、普遍的应用之一，就是其在药物治疗结果上的使用。事实上，检索在抑郁症诊疗中应用机器学习的期刊你就会发现，大部分的论文都将重点放在了精神药物治疗上。

其中一项著名的研究结合了之前9项抑郁症研究的临床数据，利用机器学习对相关症状进行聚类，随后建立了一个机器学习模型来评估几种主要抗抑郁药物的疗效。结果发现了三组症状，并发现研究涉及的几种抗抑郁药的疗效存在统计学上的显著差异。这表明医生在给抑郁症患者开药时，应该根据患者所表现的具体症状对症下药。

认知、心理运动和情感测试等具体的心理评估工具也用来对结果进行分类。这些聚类被用来预测心理药物治疗后的反应，结果显示，某些生物标记与有效抗抑郁药物处方有关。机器学习还应用于完成初始药物治疗方案后如何缓解抗抑郁症症状这一课题的研究中，这是抑郁症治疗（用药）中一个突出、反复出现的问题。

研究人员基于临床评估数据来训练机器学习模型，对三种不同抗抑郁药物的作用（12周后）进行分类。结果表明，所分析的164个临床特征能够以60%的准确率预测三种药物治疗方案中的两种方案对抑郁症的缓解情况。

虽然在文献中不常见，但机器学习也应用于抑郁症除药物治疗外其他形式的治疗结果。还有两类抑郁症治疗数据也较为突出，即心理治疗结果和影像学数据（如磁共振成像扫描）。

关于使用机器学习预测单相和双相抑郁症治疗结果的首个荟萃分析评估了包括心理治疗在内所有形式的抑郁症治疗数据。在对639项潜在研究进行初步抽象分析后，研究人员针对其中的75项研究进行了全文通览，发现其中的26项研究是在利用机器学习算法来预测抑郁症治疗结果，符合本研究纳入标准。

这些研究结果普遍支持机器学习在预测治疗结果方面的有效性，综合成功率为82%（P 《 .05），并表示使用多种数据类型的算法最为有效。当专门对MRI数据进行决策树训练，对初始抗抑郁治疗8周后的缓解率进行分类时，发现MRI可以成功识别出一部分可能对初始抗抑郁治疗无反应的患者。

为了准确地识别出混合有精神病和抑郁症状的患者，伯明翰大学的研究人员最近开发了一种使用机器学习的方法。这项研究的结果发表在《精神分裂症公报》上。

患有抑郁症或精神病的患者很少会经历纯粹的一种或另一种疾病的症状。从历史上看，这意味着心理健康临床医生可以诊断出“原发性”疾病，但具有继发性症状。对临床医生而言，做出准确的诊断是一项巨大的挑战，诊断通常无法准确反映出个人经验或神经生物学的复杂性。

例如，诊断为精神病的临床医生会经常将抑郁症视为继发性疾病，这会影响到更侧重于精神病症状（例如幻觉或妄想）的治疗决策。

伯明翰大学心理健康研究所和人脑健康中心的一个团队与PRONIA财团的研究人员合作，希望探索使用机器学习来创建高度精确的“纯”疾病模型的可能性，并使用这些研究了一组混合症状患者的诊断准确性。他们的结果发表在精神分裂症公报上。

主要作者巴黎亚历山德罗斯·拉路西斯（Paris Alexandros Lalousis）解释说：“大多数患者都有合并症，因此精神病患者也有抑郁症状，反之亦然。”

Lalousis补充说：“这对临床医生而言是一个很大的挑战，那就是诊断并提供专为没有合并症的患者而设计的治疗方法。并不是患者被误诊了，但是我们目前的诊断类别无法准确反映出临床和神经生物学现实”。

研究人员检查了问卷调查的回答，详细的临床访谈以及来自参与PRONIA研究的300名患者队列的结构磁共振成像数据，PRONIA研究是由欧盟资助的在七个欧洲研究中心进行的队列研究。

在这一队列中，研究人员确定了可分为精神病而无任何抑郁症状或患有精神病而无任何精神病症状的患者的小亚组。

研究小组使用这些数据确定了“纯粹”抑郁症和“纯粹”精神病的机器学习模型。然后，他们能够使用机器学习方法将这些模型应用于具有两种疾病症状的患者。目的是为每位患者建立高度准确的疾病状况，并针对他们的诊断进行测试，以查看其准确性。

研究小组发现，虽然更容易准确诊断出以抑郁为主要疾病的患者，但患有抑郁症的精神病患者的症状最常出现在抑郁方面。这可能表明抑郁症比以前认为的在疾病中起更大的作用。

Lalousis说：“迫切需要更好的治疗精神病和抑郁症的方法，这些疾病构成了全球范围内主要的精神健康挑战。我们的研究强调，临床医生需要更好地了解这些疾病的复杂神经生物学以及‘co的作用-病态的症状;尤其要仔细考虑抑郁症在疾病中的作用”。

Lalousis指出：“在这项研究中，我们已经展示了如何使用综合了临床，神经认知和神经生物学因素的复杂机器学习算法，可以帮助我们理解精神疾病的复杂性。”

Lalousis进一步表示：“将来，我们认为机器学习可能会成为准确诊断的关键工具。我们有真正的机会开发数据驱动的诊断方法-这是精神健康与身体健康保持同步的领域因此，保持这种势头非常重要。”

（健康界，读芯术，1号机器人网，互联网分析沙龙网综合整理）

责任编辑：lq