機器學習模型說你有精神病，信不信？

AI科技大本營發表於2019-02-24
機器學習模型

640?wx_fmt=jpeg

 

作者 | B David Zarley

譯者 |趙四

整理 | 一一

出品 | AI科技大本營（ID:rgznai100）

程式設計師轉行學什麼語言？

https://edu.csdn.net/topic/ai30?utm_source=csdn_bw

核磁共振成像也叫磁共振成像，簡稱 MRI ，是一種可以對身體內部進行成像，幫助醫生診斷疾病的技術。功能性磁共振成像（fMRI ）屬於 MRI 的一種，主要用於對大腦的血液流動進行成像，判斷大腦的活躍區域。這些看似跟機器學習沒什麼關係，但其實研究人員已經開始將 MRI 和 fMRI 與機器學習演算法結合起來，幫助人們瞭解大腦對社交場合的反應機制。

 

這一新興的領域被稱為計算精神病學，計算精神病學研究的目的是將正常人腦與精神疾病患者的大腦進行對比，從而提升對精神疾病診斷的準確率。研究內容則包括尋找精神疾病的成因以及對應的治療方法。

 

據世界衛生組織的報告顯示，全球共有數千萬雙相情感障礙和精神分裂症患者，而受抑鬱症折磨的患者人數高達 3 億，計算精神病學有很大的空間可以施展。用機器學習的方法來診斷精神疾病看似非常簡單，認為只要複製人工的診斷方法即可，然而現實並非如此。目前對精神疾病的主要診斷方法是用病人出現的症狀來參照比對美國精神醫學學會在 2013 年出版的第五版精神疾病診斷與統計手冊。這種方法很主觀，判斷的依據也並不充分，有很大的優化空間。

 

計算精神病學的初步成果

 

其實計算神病學研究已經有了一些初步的成果。弗吉尼亞理工大學醫學院的研究團隊在實驗中發現邊緣性人格障礙 BPD 患者比起正常人更注重人際關係中的反饋和往來，這一結果與研究團隊當初的設想完全相反。

 

其實計算精神病學所用到的 fMRI 早在 1990 年就已經被發明出來了，但我們才剛剛獲得足夠的計算能力來處理 fMRI 所收集到的資料，這也就是為什麼計算精神病學還屬於新興學科。精神病學與神經學所研究的內容並不完全相同。

 

神經學所研究的是人類的大腦，而精神病學所研究的物件是人的思想，這就造成一定程度上的主觀和不確定性。比如用數字 1 到 10 來衡量疼痛的話，3 級疼痛對某些人來說可能不太疼，但對另一些人來說可能是無法忍受的疼了，而且這兩類人對疼痛程度的判斷雖然不同但從自己的角度來看都是合理的。

 

精神疾病的診斷也存在這種問題，比如說不同型別的精神疾病可能有相似的症狀。計算精神病學的創新之處就在於將 MRI 和 fMRI 產生的大量資料與機器學習演算法進行結合提升診斷的準確率，此外研究人員還希望藉此對治療的有效性進行追蹤。

 

計算精神病學的三種研究方向

 

Pearl Chiu 教授是弗吉尼亞理工大學醫學院人類神經造影研究所唯一一名有臨床經驗的心理學家，從與病人交流到研究機器學習，其研究的跨度可以說非常大。Chiu 教授說，與病人合作過，才讓她明白我們對人腦的瞭解竟如此之少。她相信，將機器學習方法引入精神疾病的診斷是可行的。

 

Chiu 教授的研究團隊將 MRI 和 fMRI 的成像結果、患者的行為模式、與患者談話的錄音以及從心理學方面的診斷都作為機器學習演算法的輸入資料，而且唾液和血液樣本也很快會加入到輸入資料中。他們希望能從這些資料中去除噪音並提取有用的診斷訊號。

 

當我們大腦某部分運作時會需要更多的氧氣。所以 fMRI 通過掃描氧氣，其實是血液的流動就能知道我們大腦的哪部分正在進行活動。fMRI 並非十全十美，它也會出現假陽性的問題。最極端的例子是用 fMRI 來掃描一條死魚，結果會顯示出魚出現了大腦活動。

 

其實從患者處收集完資料，只要把收集到的患者資訊輸入模型需要幾分鐘時間就能輸出診斷結果。如果使用針對性更強的模型，還可以進一步加快資料處理的速度。比如，研究人員從與病人的交談中初步判斷出病人所患的可能是抑鬱症，那麼就可以使用專門處理抑鬱症的模型來加快診斷的速度。

 

Chiu 教授說使用機器學習的方法可以識別出人類醫生會忽略或者無法判斷的資料模式，也能幫助病人獲得更好的針對性治療。Chiu 教授表示這些資料可以幫助我們來診斷不同型別的抑鬱症。比如某些抑鬱症病人可能更適合理療，而另一些病人可能服用藥物效果會更好。

 

如果使用機器學習的診斷方法可以將精神疾病的診斷數字化和標準化，那麼精神病患者或許可以少受一些歧視。想象一下，如果抑鬱症、精神病或者雙向情感障礙和心臟病在診斷上可以做到一樣客觀的話，那麼精神病還會是一種特殊疾病嗎？精神疾病患者所遭受的歧視是否會消失？

 

目前 Chiu 教授實驗室研究的主要課題是激勵障礙，也就是抑鬱症和各種成癮症狀。如果沒有計算機和機器學習方法的幫助，想靠人力從海量資料中發現診斷和治療的模式根本不可能。

 

除了 Chiu 教授，弗吉尼亞理工大學醫學院生物醫學研究中心的 Brooks King-Casas 教授所進行的研究也是從機器學習演算法中獲益。King-Casas 教授研究的主要物件是社會行為，比如正常人和精神疾病患者在處理人際交往中感覺和模式的不同以及大腦在其中的作用。King-Casas 教授說他的興趣是研究正常人和精神疾病患者在大腦決策過程的區別。

 

King-Casas 教授的實驗室正在研究如何將人類的決策過程進行分解並找出精神疾病患者的決策過程中到底哪一步出了錯。他使用了強化學習演算法來實現決策過程的數字化，認為如果沒有強化學習根本不可能實現決策過程的分解。即便一個簡單的二選一決策，其研究團隊也開發了十種模型來進行解釋。

 

King-Casas 教授說：“其實可以把人類的大腦也當成一個模型，而我們的任務就是通過研究人類的行為開發與人類大腦決策過程最相近的機器學習模型。”

 

機器學習演算法診斷面臨的挑戰

 

演算法都是由人開發的，那麼人所擁有的偏見也必然會被帶入演算法和模型之中。人們有一種認為演算法的一切判斷都公正的傾向，其實大謬不然。

 

如果無法消除演算法中的偏見，那麼由機器學習演算法所做出的診斷也值得懷疑，尤其是精神病學這種有長期性別歧視歷史的學科。這種性別歧視即使到今天也沒有消除。世界衛生組織的研究顯示，醫生給女性開出精神疾病藥物處方的概率比男性大。在疼痛的治療上也有這種性別歧視的現象存在，有些醫生認為女性會誇大自己所受的疼痛，所以對女性疼痛的治療並不如對男性及時。除了性別，對疼痛治療的歧視在不同種族之間也存在。

 

Chiu 教授說，保證機器學習演算法中不出現偏見非常困難，只能儘量保證研究人員只關注自己的工作，來避免病人的精神健康歷史和所接受的治療對研究人員造成影響。另一種方法則是儘量實現團隊中研究人員和研究物件的多元化。

 

使用 fMRI 採集資料的過程需要精心設計，因為 fMRI 對大腦進行探測有大約兩秒鐘的間隔，而且從研究物件接受視覺刺激到血液流動到大腦特定部位也會有幾秒鐘的延遲。不同文化背景的研究物件也會對相同的刺激產生不同的反應，比如顏色和數字在不同的文化中有不同的意義。

 

可供研究的物件太少也是一個問題，通常能夠募集到的參與者不超過一百人，而且研究物件沒有代表性。fMRI 購買和使用價格高昂，所以大部分研究物件都來自研究所附近的發達地區，而且以學生居多。這個問題不好解決，但是可以通過不同研究機構之間的資料共享來增加資料的多樣性。邱教授所在的人類神經造影實驗室就和倫敦大學學院、北京大學、貝勒醫學院以及夏威夷大學希洛分校有著資料共享的合作專案。

 

隨著機器學習演算法越來越複雜，機器學習模型面臨著和大腦一樣的黑盒問題和信任問題。現在只要有足夠的資料和計算能力，我們就能訓練一個模型來識別圖片中的一隻貓，但我們很難準確說明演算法到底是依據什麼條件識別出圖片中的貓。機器學習模型對精神疾病的理解和我們人類真的一樣嗎？這個問題值得深思。

 

計算精神病學中存在的另一個問題是缺乏標準的參考資料。準確的說是，精神病學本身就缺乏完全正確能夠驗證的資料因為對精神疾病的診斷如前文所述是一個主觀的過程。如果用機器學習演算法來判斷癌症的話，我們可以進行組織活檢判斷演算法預測的正確性。對精神疾病來說，目前並沒有所謂的“精神活檢”。在沒有標準參考資料的情況下，所進行的一切預測也都值得懷疑。

 

對精神疾病或者障礙的診斷與對其他疾病的診斷方法相比可謂十分有限，打個不恰當的比方就是不抽血、不做 CT 也不做心電圖就診斷出病人得了心臟病。雖然聽起來荒謬但精神病學的現狀就是如此，也許計算精神病學的出現可以為精神疾病的診斷提供客觀的診斷依據。如果計算精神病學研究真的能夠為診斷提供神經學上的依據，這無疑是精神病學的一大進步。

 

由於精神疾病的診斷缺乏生物學上的客觀依據，精神疾病與患者表現出的症狀很大概率沒有一一對應的關係。不同的疾病可能出現相似的症狀，而同一種疾病在不同個體的身上出現的症狀可能也有所不同。即便是同一種症狀，同一種疾病，出現的原因也大相徑庭。精神壓力等環境因素可能引起精神障礙，但隨著時間的流逝和環境因素的變化精神障礙可能自己消失。目前精神疾病的診斷和治療方法大概是這樣的：嗯，症狀對得上，管你什麼原因先來點抗抑鬱藥吃吃試試。

 

計算精神病學的未來

 

弗吉尼亞理工大學生物醫藥研究中心的 Stephen LaConte 教授可謂是實時 fMRI 的先驅。他用機器學習方法將大腦作為一個整體進行研究，而不是隻專注於大腦中的某一區域，說的簡單一點就是判斷大腦是否在工作而不去分辨是哪一部分在工作。

 

他研究的機器學習演算法加上實時 fMRI 可以判斷研究物件此時是否在開小差。這在成癮治療和教育領域很有用，不過如果日後實時 fMRI 的價格能夠降低並且普及，那麼對思想的監控和實時 fMRI 的濫用肯定會成為一個問題，比如老闆應該是很想知道員工一天到底有幾個小時是真的用在工作上的。

 

LaConte 教授認為藉助機器學習方法，研究人員可以直接使用大腦的反應而非研究物件的行為來指導實驗。他希望將來我們可以通過針對性的思想鍛鍊來提升大腦的功能，就好像通過打坐來提高注意力那樣。

 

我們不妨暢想一下精神病學的未來：演算法驅動的診斷模型（模型判斷你大腦某處引起抑鬱所以出現某症狀）、有針對性的治療（大腦某部分引起的某症狀的抑鬱症最有效的治療方法是吃某種藥）以及實時 fMRI 驅動的大腦鍛鍊方法，結果就是精神病學屬於預防醫學的範疇了。

 

美國精神衛生中心還能為弗吉尼亞大學醫學院的計算精神病學提供最少五到十年的經費，King-Casas 教授預測到那時研究應該到出成果的階段了。其他研究人員也對計算精神病學的發展前景持樂觀態度，只不過在具體技術層面還需要提高。

 

一直有新理論試圖對精神疾病進行“拯救”，其中有一些已經隨時間消失了，但神經化學和遺傳學還依然有自己的一席之地。我們需要說清楚的是計算精神病學也僅僅只是用來幫助病人的工具罷了。如果你覺得精神病學有機器學習加持就會推倒重來，那就大錯特錯了。

 

原文連結：

https://www.theverge.com/2019/1/28/18197253/ai-mental-illness-artificial-intelligence-science-neuroimaging-mri

 

（本文為AI科技大本營編譯文章，轉載請微信聯絡 1092722531）

如何挑戰百萬年薪的人工智慧！

https://edu.csdn.net/topic/ai30?utm_source=csdn_bw

 

群招募

 

掃碼新增小助手微信，回覆：公司+研究方向（學校+研究方向），邀你加入技術交流群。技術群稽核較嚴，敬請諒解。

640?wx_fmt=jpeg

 

推薦閱讀：

                         640?wx_fmt=png

點選“閱讀原文”，檢視歷史精彩文章。

相關文章