發(fā)布日期：2017-11-01
據世界衛(wèi)生組織統(tǒng)計，每年約有80萬人死于自殺，而自殺也已成為當下威脅年輕人死亡的第二大因素。但作為心理健康臨床醫(yī)生來說，評估患者自殺風險儼然成為最具挑戰(zhàn)性的問題。美國科學家最新的一項研究顯示，這種靠主觀判斷的方法或可終結，利用機器學習診斷將會取而代之。
北京時間10月31日，國際學術期刊《自然》（Nature）子刊《自然-人類行為》（Nature Human Behaviour）發(fā)表了美國卡內基梅隆大學Marcel Adam Just等人的最新研究，利用機器學習技術表征人腦內自殺、積極、消極等相關概念，可以高度準確地區(qū)分具有自殺意圖的患者和健康對照組。該方法還可以進一步區(qū)分出，在具有自殺想法的人中哪些已做出過自殺嘗試，而哪些還沒有。
論文中指出，來自醫(yī)生甚至自殺患者本人的自殺報告實際效果通常不佳。就自殺患者而言，他們往往會掩飾自己的自殺意圖，這原本就是他們自殺計劃的一部分，另外這至少可以讓他們避免受到更多的限制對待。數據顯示，大約80%死于自殺的病人在其和心理醫(yī)療專業(yè)人員的最后一次對話中都否認自己有自殺意圖。
Marcel Adam Just等人認為在自殺患者臨床治療中，亟需一種不依賴于自我報告的自殺風險診斷方法。在他們的研究中，樣本選擇包括17位自殺患者和17位健康對照組。
研究組在實驗中設置了3組概念，分別包括自殺、積極和消極，每組包含10個單詞。例如，自殺概念中對應有冷漠、死亡、絕望等；積極概念中對應有欣喜若狂、無憂無慮、仁慈等；而消極概念中對應有厭倦、批評、殘忍等。
30個單詞
這30個單被用來向診斷對象分別展示3秒鐘，在展示過程中對其腦部進行功能性磁共振成像掃描（fMRI）。功能性磁共振成像是一種常用的神經影像學方式，能以毫米級的空間分辨率提供關于大腦代謝的信息，該信息由血氧水平依賴效應反應。
一般來說，當腦神經活化時，其附近的血流會增加來補充消耗掉的氧氣，從而引發(fā)血氧的改變。因此，功能性磁共振成像能準確定位特定感覺、知覺或認知任務下大腦功能區(qū)的激活分布。
結果發(fā)現(xiàn)，實驗設計的30個單詞中，其中6個單詞（死亡、殘忍、麻煩、無憂無慮、良好和贊美）的神經活動應答以及5個腦區(qū)的神經活動最能區(qū)分有自殺意圖的病人和健康對照組個體。
隨后，研究團隊訓練了一種機器學習算法，使用上述發(fā)現(xiàn)的信息來鑒定被診斷者是自殺患者還是健康對照個體。這一機器學習算法準確鑒定出17位自殺病人組中的15位，以及17位健康對照組中的16位。
不僅如此，研究團隊還專門針對17位自殺患者進一步訓練了一種新的機器學習算法，以區(qū)分哪些患者已經嘗試過自殺（實際有9位），而哪些尚未嘗試（實際有8位）。最后，新的機器學習算法準確區(qū)分出了其中16位的真實情況，準確率達94%。
除上述在區(qū)分自殺患者方面的創(chuàng)新性診斷方法，該論文還強調，這種機器學習的方法正在被越來越廣泛地使用，成為功能性神經影像診斷的重要手段。一般來說，神經活動信號不會位于單一的大腦區(qū)域，而是分布于多個區(qū)域，并同時產生。研究者需要采用像機器學習這樣的能分析多元甚至網狀數據的方法。
不過，在期刊官網隨附的新聞和觀點文章中提到，該研究樣本數量不大，因此有必要進行重復實驗。如果能復制并擴展到其它精神疾病群體，那么Just等人此番新開發(fā)出的方法將有望成為診斷神經精神疾病的主要醫(yī)學工具。
來源：澎湃新聞
