人工智能作為引領(lǐng)未來的戰(zhàn)略性技術(shù)，近年來不僅在教育、金融等領(lǐng)域的發(fā)展如火如荼，在醫(yī)療領(lǐng)域的發(fā)展也風(fēng)生水起，一時間醫(yī)療人工智能成為人們關(guān)注的新焦點。據(jù)悉，Grisanzio和他的同事正利用人工智能改善精神疾病的診斷。
我相信這種人工智能將成為我們的合作伙伴。如果我們?yōu)E用它，它將是一個風(fēng)險；如果我們正確使用它，它可以成為我們的得力助手。——Masayoshi Son
與許多傳統(tǒng)的“身體”疾病不同，精神疾病往往具有更好的特征（雖然許多人仍然無法理解），但由于大腦和頭腦的復(fù)雜性，在精神疾病的評估和治療工具方面存在較大困難。目前為止，精神疾病的診斷大部分還是基于臨床觀察和癥狀及治療反應(yīng)的統(tǒng)計分析；近年來，隨著評估和計算分析的進(jìn)步，我們開始看到更強大的工具的開發(fā)，這給未來的改進(jìn)帶來了希望。
目前的技術(shù)狀況
目前精神病學(xué)診斷的局限性之一是許多病癥相互重疊。焦慮、情緒障礙、恐懼、注意力和記憶障礙、能量水平的變化以及其他各種癥狀在許多診斷中都有共同之處。至少有50%的患者接受了一次以上的精神疾病診斷，這有時是因為診斷上的含糊不清，有時是共病的結(jié)果。
開發(fā)更精確的心理健康模型是非常必要的。焦慮和抑郁在世界范圍內(nèi)造成了最大的生產(chǎn)力損失和功能負(fù)擔(dān)，而目前的治療通常只對30%的患者有效，因此需要更精確的診斷方法，發(fā)展有效的生物測試(“生物標(biāo)記”)，并將診斷與更有效的治療和治療計劃聯(lián)系起來。
盡管有統(tǒng)計分析，但傳統(tǒng)診斷方法仍然存在人為偏差的誤差。通過使用數(shù)學(xué)工具來尋找臨床數(shù)據(jù)中固有的一致模式來接近精神病診斷，與傳統(tǒng)診斷方法相比具有優(yōu)勢。雖然新的并不總是更好，但新方法的出現(xiàn)可以推動醫(yī)療保健向前發(fā)展。
機器學(xué)習(xí)是一種強大的工具，可以查看大量的數(shù)據(jù)集，并發(fā)現(xiàn)其他技術(shù)所遺漏的數(shù)據(jù)中的有用模式。通過使用AI類型的方法，研究人員可以利用計算能力來查看癥狀如何跨越所接收的診斷類別，以形成“跨診斷”的一致性。雖然AI技術(shù)在青少年中已有一定應(yīng)用，但機器學(xué)習(xí)并沒有應(yīng)用于成人精神病理學(xué)。
邁向成人精神病學(xué)的跨診斷方法
為了開始鑒別不同疾病在成年人中的轉(zhuǎn)化特征，Grisanzio和他的同事(2018年)研究了497名不同背景人群的成年人，其中包括248名患有嚴(yán)重抑郁癥、PTSD和驚恐障礙的患者，以及249名沒有精神疾病診斷的人。他們選擇這三種診斷是因為這些診斷很常見，而且這些參與者經(jīng)常接受額外的診斷，包括ADHD、廣泛性焦慮障礙、強迫癥、心境惡劣和季節(jié)性情感障礙。研究排除了物質(zhì)使用障礙、腦損傷和其他干擾測試程序的情況。
研究者使用公認(rèn)的診斷工具對參與者進(jìn)行評估，包括漢密爾頓抑郁量表(Hamilton Depression Rating Scale)、DSM-IV的結(jié)構(gòu)化臨床訪談(Structured Clinical Interview)等；使用抑郁、焦慮和壓力量表測量情緒、焦慮、壓力、自尊、絕望和其他癥狀；神經(jīng)認(rèn)知測試(IntegNeuro)評價認(rèn)知功能；腦電圖(EEG)評估基本的大腦活動；使用簡易風(fēng)險恢復(fù)指數(shù)進(jìn)行篩選日常功能。
首先使用“主成分分析”分析數(shù)據(jù)，以確定主要臨床測量的趨勢，然后使用機器學(xué)習(xí)方法進(jìn)行“無監(jiān)督”分析，這種方法不需要人工輸入，而是獨立地識別數(shù)據(jù)中存在的重要集群。最后，除了測試主要的497名參與者之外，研究者還在完全不同的381名成年人中重復(fù)了同樣的測試，以提供一個“獨立驗證樣本”來確認(rèn)結(jié)果的有效性。研究結(jié)果適用于主要測試對象以及獨立驗證組，表明其具有強大的適用性。
在基礎(chǔ)分析(主成分分析)中，研究者發(fā)現(xiàn)3個因素占臨床數(shù)據(jù)的大多數(shù)(71.2%)：快感缺失、焦慮喚醒和緊張。這3個因素代表了三個主要診斷類別和共病的臨床癥狀。無監(jiān)督機器學(xué)習(xí)分析得出了6個獨立的集群：規(guī)范性情緒(健康對照組)、緊張、焦慮性喚起、一般焦慮、快感缺失和憂郁癥。下面是機器學(xué)習(xí)過程的圖示:
樹圖顯示了集群的推導(dǎo)。
主要因素的機器衍生集群。(資料來源:Grisanzio等人，2018年)
每一個集群都代表了統(tǒng)計學(xué)上不同的癥狀組，其中，獨特的指紋結(jié)合了不同的臨床表現(xiàn)、神經(jīng)認(rèn)知標(biāo)記物、腦電圖活動和功能狀態(tài)。除了具有不同的臨床特征外，這6個類群還存在顯著差異：
焦慮喚醒：日常功能不良，最大的神經(jīng)認(rèn)知困難，特別是認(rèn)知控制能力受損。
一般焦慮：在頂葉皮層的β帶寬(通常與更高的大腦活動相關(guān))中，有更高的腦電圖反應(yīng)，日常功能完好。
憂郁癥：最糟糕的日常功能，特別是社交功能。
快感缺失：額葉皮層的β活躍度較高。
緊張：盡管壓力很大，但在各方面的平均表現(xiàn)都不錯。
這6個類群是如何與傳統(tǒng)的精神病學(xué)診斷相關(guān)聯(lián)的?下圖顯示了集群與我們目前使用的診斷重疊的地方：
精神病治療有一個更光明的未來嗎?
這項研究有助于從數(shù)據(jù)驅(qū)動的角度理解常見精神疾病的潛在癥狀，這項對成人的早期轉(zhuǎn)診研究為進(jìn)一步完善臨床應(yīng)用打開了大門。目前的診斷分類是模糊的，相互重疊的，并且可能無法完全捕捉到一個特定個體的最佳情況。隨著不斷進(jìn)行的研究進(jìn)一步證實和擴(kuò)大，我們可能有一種更準(zhǔn)確的方法來評估心理健康，這應(yīng)該是更好的治療計劃。
未來的研究將包括更多的診斷類別，并使用功能神經(jīng)成像等評估工具來獲得更詳細(xì)的知識，以及更準(zhǔn)確的診斷工具。結(jié)合對疾病機制的更深入了解，以及對評估和治療的研究，我們開始看到更好的工具，例如藥物基因組測試、TMS、新藥物和第三代精神治療藥物等。最終，我們希望能夠開發(fā)出一套以生物為基礎(chǔ)的系統(tǒng)，在評估、治療、尤其是為后代預(yù)防方面，為精神疾病患者提供幫助。
眾所周知，傳統(tǒng)診斷方法存在著人為偏差，會出現(xiàn)誤診的情況，然而人工智能在醫(yī)療領(lǐng)域的應(yīng)用改善精神疾病的診斷，讓診斷更精準(zhǔn)。人工智能與醫(yī)療的深入融合為醫(yī)療機構(gòu)和患者帶來了諸多好處，雖然目前此技術(shù)只在青少年中應(yīng)用，但隨著高科技技術(shù)的不斷發(fā)展，人工智能在成人精神病理學(xué)中也將發(fā)揮越來越重要的作用。
（原標(biāo)題：人工智能可以改善精神疾病的診斷嗎？）
