|
核磁共振成像也叫磁共振成像，简称 MRI ，是一种可以对身体内部进行成像，帮助医生诊断疾病的技术。功能性磁共振成像（fMRI ）属于 MRI 的一种，主要用于对大脑的血液流动进行成像，判断大脑的活跃区域。这些看似跟机器学习没什么关系，但其实研究人员已经开始将 MRI 和 fMRI 与机器学习算法结合起来，帮助人们了解大脑对社交场合的反应机制。
这一新兴的领域被称为计算精神病学，计算精神病学研究的目的是将正常人脑与精神疾病患者的大脑进行对比，从而提升对精神疾病诊断的准确率。研究内容则包括寻找精神疾病的成因以及对应的治疗方法。
据世界卫生组织的报告显示，全球共有数千万双相情感障碍和精神分裂症患者，而受抑郁症折磨的患者人数高达 3 亿，计算精神病学有很大的空间可以施展。用机器学习的方法来诊断精神疾病看似非常简单，认为只要复制人工的诊断方法即可，然而现实并非如此。目前对精神疾病的主要诊断方法是用病人出现的症状来参照比对美国精神医学学会在 2013 年出版的第五版精神疾病诊断与统计手册。这种方法很主观，判断的依据也并不充分，有很大的优化空间。
计算精神病学的初步成果
其实计算神病学研究已经有了一些初步的成果。弗吉尼亚理工大学医学院的研究团队在实验中发现边缘性人格障碍 BPD 患者比起正常人更注重人际关系中的反馈和往来，这一结果与研究团队当初的设想完全相反。
其实计算精神病学所用到的 fMRI 早在 1990 年就已经被发明出来了，但我们才刚刚获得足够的计算能力来处理 fMRI 所收集到的数据，这也就是为什么计算精神病学还属于新兴学科。精神病学与神经学所研究的内容并不完全相同。
神经学所研究的是人类的大脑，而精神病学所研究的对象是人的思想，这就造成一定程度上的主观和不确定性。比如用数字 1 到 10 来衡量疼痛的话，3 级疼痛对某些人来说可能不太疼，但对另一些人来说可能是无法忍受的疼了，而且这两类人对疼痛程度的判断虽然不同但从自己的角度来看都是合理的。
精神疾病的诊断也存在这种问题，比如说不同类型的精神疾病可能有相似的症状。计算精神病学的创新之处就在于将 MRI 和 fMRI 产生的大量数据与机器学习算法进行结合提升诊断的准确率，此外研究人员还希望借此对治疗的有效性进行追踪。
计算精神病学的三种研究方向
Pearl Chiu 教授是弗吉尼亚理工大学医学院人类神经造影研究所唯一一名有临床经验的心理学家，从与病人交流到研究机器学习，其研究的跨度可以说非常大。Chiu 教授说，与病人合作过，才让她明白我们对人脑的了解竟如此之少。她相信，将机器学习方法引入精神疾病的诊断是可行的。
Chiu 教授的研究团队将 MRI 和 fMRI 的成像结果、患者的行为模式、与患者谈话的录音以及从心理学方面的诊断都作为机器学习算法的输入数据，而且唾液和血液样本也很快会加入到输入数据中。他们希望能从这些数据中去除噪音并提取有用的诊断信号。
当我们大脑某部分运作时会需要更多的氧气。所以 fMRI 通过扫描氧气，其实是血液的流动就能知道我们大脑的哪部分正在进行活动。fMRI 并非十全十美，它也会出现假阳性的问题。最极端的例子是用 fMRI 来扫描一条死鱼，结果会显示出鱼出现了大脑活动。
其实从患者处收集完数据，只要把收集到的患者信息输入模型需要几分钟时间就能输出诊断结果。如果使用针对性更强的模型，还可以进一步加快数据处理的速度。比如，研究人员从与病人的交谈中初步判断出病人所患的可能是抑郁症，那么就可以使用专门处理抑郁症的模型来加快诊断的速度。
Chiu 教授说使用机器学习的方法可以识别出人类医生会忽略或者无法判断的数据模式，也能帮助病人获得更好的针对性治疗。Chiu 教授表示这些数据可以帮助我们来诊断不同类型的抑郁症。比如某些抑郁症病人可能更适合理疗，而另一些病人可能服用药物效果会更好。
如果使用机器学习的诊断方法可以将精神疾病的诊断数字化和标准化，那么精神病患者或许可以少受一些歧视。想象一下，如果抑郁症、精神病或者双向情感障碍和心脏病在诊断上可以做到一样客观的话，那么精神病还会是一种特殊疾病吗？精神疾病患者所遭受的歧视是否会消失？
目前 Chiu 教授实验室研究的主要课题是激励障碍，也就是抑郁症和各种成瘾症状。如果没有计算机和机器学习方法的帮助，想靠人力从海量数据中发现诊断和治疗的模式根本不可能。
除了 Chiu 教授，弗吉尼亚理工大学医学院生物医学研究中心的 Brooks King-Casas 教授所进行的研究也是从机器学习算法中获益。King-Casas 教授研究的主要对象是社会行为，比如正常人和精神疾病患者在处理人际交往中感觉和模式的不同以及大脑在其中的作用。King-Casas 教授说他的兴趣是研究正常人和精神疾病患者在大脑决策过程的区别。
King-Casas 教授的实验室正在研究如何将人类的决策过程进行分解并找出精神疾病患者的决策过程中到底哪一步出了错。他使用了强化学习算法来实现决策过程的数字化，认为如果没有强化学习根本不可能实现决策过程的分解。即便一个简单的二选一决策，其研究团队也开发了十种模型来进行解释。
King-Casas 教授说：“其实可以把人类的大脑也当成一个模型，而我们的任务就是通过研究人类的行为开发与人类大脑决策过程最相近的机器学习模型。”
机器学习算法诊断面临的挑战
算法都是由人开发的，那么人所拥有的偏见也必然会被带入算法和模型之中。人们有一种认为算法的一切判断都公正的倾向，其实大谬不然。
如果无法消除算法中的偏见，那么由机器学习算法所做出的诊断也值得怀疑，尤其是精神病学这种有长期性别歧视历史的学科。这种性别歧视即使到今天也没有消除。世界卫生组织的研究显示，医生给女性开出精神疾病药物处方的概率比男性大。在疼痛的治疗上也有这种性别歧视的现象存在，有些医生认为女性会夸大自己所受的疼痛，所以对女性疼痛的治疗并不如对男性及时。除了性别，对疼痛治疗的歧视在不同种族之间也存在。
Chiu 教授说，保证机器学习算法中不出现偏见非常困难，只能尽量保证研究人员只关注自己的工作，来避免病人的精神健康历史和所接受的治疗对研究人员造成影响。另一种方法则是尽量实现团队中研究人员和研究对象的多元化。
使用 fMRI 采集数据的过程需要精心设计，因为 fMRI 对大脑进行探测有大约两秒钟的间隔，而且从研究对象接受视觉刺激到血液流动到大脑特定部位也会有几秒钟的延迟。不同文化背景的研究对象也会对相同的刺激产生不同的反应，比如颜色和数字在不同的文化中有不同的意义。
可供研究的对象太少也是一个问题，通常能够募集到的参与者不超过一百人，而且研究对象没有代表性。fMRI 购买和使用价格高昂，所以大部分研究对象都来自研究所附近的发达地区，而且以学生居多。这个问题不好解决，但是可以通过不同研究机构之间的数据共享来增加数据的多样性。邱教授所在的人类神经造影实验室就和伦敦大学学院、北京大学、贝勒医学院以及夏威夷大学希洛分校有着数据共享的合作项目。
随着机器学习算法越来越复杂，机器学习模型面临着和大脑一样的黑盒问题和信任问题。现在只要有足够的数据和计算能力，我们就能训练一个模型来识别图片中的一只猫，但我们很难准确说明算法到底是依据什么条件识别出图片中的猫。机器学习模型对精神疾病的理解和我们人类真的一样吗？这个问题值得深思。
计算精神病学中存在的另一个问题是缺乏标准的参考数据。准确的说是，精神病学本身就缺乏完全正确能够验证的数据因为对精神疾病的诊断如前文所述是一个主观的过程。如果用机器学习算法来判断癌症的话，我们可以进行组织活检判断算法预测的正确性。对精神疾病来说，目前并没有所谓的“精神活检”。在没有标准参考数据的情况下，所进行的一切预测也都值得怀疑。
对精神疾病或者障碍的诊断与对其他疾病的诊断方法相比可谓十分有限，打个不恰当的比方就是不抽血、不做 CT 也不做心电图就诊断出病人得了心脏病。虽然听起来荒谬但精神病学的现状就是如此，也许计算精神病学的出现可以为精神疾病的诊断提供客观的诊断依据。如果计算精神病学研究真的能够为诊断提供神经学上的依据，这无疑是精神病学的一大进步。
由于精神疾病的诊断缺乏生物学上的客观依据，精神疾病与患者表现出的症状很大概率没有一一对应的关系。不同的疾病可能出现相似的症状，而同一种疾病在不同个体的身上出现的症状可能也有所不同。即便是同一种症状，同一种疾病，出现的原因也大相径庭。精神压力等环境因素可能引起精神障碍，但随着时间的流逝和环境因素的变化精神障碍可能自己消失。目前精神疾病的诊断和治疗方法大概是这样的：嗯，症状对得上，管你什么原因先来点抗抑郁药吃吃试试。
计算精神病学的未来
弗吉尼亚理工大学生物医药研究中心的 Stephen LaConte 教授可谓是实时 fMRI 的先驱。他用机器学习方法将大脑作为一个整体进行研究，而不是只专注于大脑中的某一区域，说的简单一点就是判断大脑是否在工作而不去分辨是哪一部分在工作。
他研究的机器学习算法加上实时 fMRI 可以判断研究对象此时是否在开小差。这在成瘾治疗和教育领域很有用，不过如果日后实时 fMRI 的价格能够降低并且普及，那么对思想的监控和实时 fMRI 的滥用肯定会成为一个问题，比如老板应该是很想知道员工一天到底有几个小时是真的用在工作上的。
LaConte 教授认为借助机器学习方法，研究人员可以直接使用大脑的反应而非研究对象的行为来指导实验。他希望将来我们可以通过针对性的思想锻炼来提升大脑的功能，就好像通过打坐来提高注意力那样。
我们不妨畅想一下精神病学的未来：算法驱动的诊断模型（模型判断你大脑某处引起抑郁所以出现某症状）、有针对性的治疗（大脑某部分引起的某症状的抑郁症最有效的治疗方法是吃某种药）以及实时 fMRI 驱动的大脑锻炼方法，结果就是精神病学属于预防医学的范畴了。
美国精神卫生中心还能为弗吉尼亚大学医学院的计算精神病学提供最少五到十年的经费，King-Casas 教授预测到那时研究应该到出成果的阶段了。其他研究人员也对计算精神病学的发展前景持乐观态度，只不过在具体技术层面还需要提高。
一直有新理论试图对精神疾病进行“拯救”，其中有一些已经随时间消失了，但神经化学和遗传学还依然有自己的一席之地。我们需要说清楚的是计算精神病学也仅仅只是用来帮助病人的工具罢了。如果你觉得精神病学有机器学习加持就会推倒重来，那就大错特错了。
| 
发表于 2019-2-24 20:25:28
