IBM最新成果：利用機器學習演算法預測精神分裂症準確率達74%

近日，IBM 科學家和阿爾伯塔大學加拿大埃德蒙頓分校在《自然》雜誌的合作期刊《精神分裂症》(Schizophrenia) 上發布了新的數據，證明 AI 和機器學習演算法能夠以 74% 的準確率幫助預測精神分裂症病例。這項追溯性分析還表明，根據在大腦不同區域觀察到的活動之間的關聯，該技術能夠從很高的相關性預測精神分裂症患者特定癥狀的嚴重程度。

這項開創性研究還可以幫助科學家識別更可靠、客觀的神經影像生物指標 (Neuroimaging Biomarkers)，用於預測精神分裂症及其嚴重等級。

精神分裂症是一種慢性衰弱性神經障礙，每 1,000 個人中有 7 到 8 個人會受其影響。精神分裂症患者可能出現幻覺、錯覺或思維障礙，還可能出現認知障礙，比如無法集中注意力和身體缺陷，比如運動障礙。

阿爾伯塔大學的精神病學兼神經科學教授 Serdar Dursun 博士表示：「這種獨特、富有創新的多學科方法加深了我們對精神分裂症的神經生物學原理的理解，可以幫助改善該疾病的治療和管理。

我們在大腦中發現了許多重要的異常連接，未來的研究可以探索這些連接，而且 AI 創建的模型讓我們離發現基於神經影像的客觀模式更進了一步，這些模式可以作為精神分裂症的診斷和預后指標。」

在論文中，研究人員分析了來自開放數據集生物醫學信息學功能研究網路 (fBIRN) 的去標識化的大腦功能核磁共振影像 (fMRI) 數據，數據中既包括精神分裂症患者和分裂情感性障礙患者，還包括健康的實驗對照組。

fMRI 通過大腦特定區域的血流變化來測量大腦活動。具體來講，fBIRN 數據集反映了，根據對調研參與者執行一個普通聽覺測試時收集的數據，在不同清晰度水平上對大腦網路執行的研究。通過檢查來自 95 位參與者的掃描影像，研究人員使用機器學習技術開發了一種精神分裂症模型，用於識別大腦中與該疾病相關的最緊密的連接。

從上圖我們可以看出，在精神分裂症患者與沒有該疾病的患者之間，一些大腦區域表現出具有統計意義的區別。例如，箭頭 1 表示中央前回（Precentral Gyrus），箭頭 5 表示參與處理視覺信息的楔前葉（Precuneus）。

精神疾病的量化研究

IBM 和阿爾伯塔大學的研究結果表明，甚至在從多個站點（不同機器、跨越不同主體群等）收集的更具挑戰的神經影像數據上，機器學習演算法通過利用不同大腦區域間的活動關聯，也能以 74% 的準確率區分精神分裂症患者與實驗對照組。

此外，研究表明，功能網路連接也可以幫助確定患者表現出的多種癥狀的嚴重等級，包括注意力遲鈍、行為怪異和思維形式障礙，以及失語症（言語貧乏）和動力缺乏。

通過預測癥狀嚴重等級，可以得到更加量化、基於測量結果的精神分裂症特徵。可以在一個範圍內確定該疾病，而不只是看到一個非此即彼的二元標籤（診斷或非診斷）。這種客觀的、數據驅動的嚴重等級分析方法，最終可以幫助臨床醫生為患者量身定製治療方案。

IBM 研究院醫療與生命科學副總裁 Ajay Royyuru 表示：「這項研究工作的最終目的是識別和開發客觀的、數據驅動的測量指標來描繪精神狀態，並將它們應用於精神病學和神經障礙。我們還希望提供新的洞察，揭示可以如何使用 AI 和機器學習來分析精神疾病和神經障礙，幫助精神科醫生評估和治療患者。」

NIMH （國家精神衛生研究所）的研究領域標準 (RDoC) 倡議強調了客觀測量在精神病學中的重要性。這一領域常常稱為「計算精神病學」（Computational Psychiatry），旨在使用現代技術和數據驅動的方法改善精神病學中的循證醫療決策，這一領域常常依賴於主觀的評估方法。

作為這次持續合作的一部分，研究人員將繼續調查大腦中與精神分裂症具有重要聯繫的區域和連接。我們將繼續努力改進這些演算法，對更大的數據集執行機器學習分析，並探索將這些技術擴展到抑鬱症或創傷后應激障礙等其他精神疾病的方式。