计算机ID患者患者患者的差异或自闭症

大多数现代医学都有物理测试或客观技术来确定人们的疾患。然而，目前还没有血液或基因检测或公正的程序可以确定地诊断一种精神疾病，当然也没有办法区分具有相似症状的不同精神障碍。东京大学(University of Tokyo)的专家们正在将机器学习与大脑成像工具结合起来，以重新定义精神疾病的诊断标准。

“精神科医生，包括我在内，经常与病人及其老师、朋友和父母谈论症状和行为。我们只在医院或诊所见到病人，而不是在他们的日常生活中。我们必须利用主观的、二手的信息来做出医学结论，”东京大学副教授、医学博士小池新助解释说转化精神病学。

“坦率地说，我们需要客观的措施，”小池百合子说。

重叠症状的挑战

其他研究人员设计了机器学习算法，以区分有心理健康问题的人和自愿作为此类实验“对照”的非患者。

小池百合子说:“辨别谁是病人谁是控制组很容易，但要辨别不同类型的病人却不那么容易。”

UTokyo研究小组说他们的研究是第一个区分多种精神疾病诊断的研究，包括自闭症谱系障碍和精神分裂症。尽管大众文化对自闭症的描述非常不同，但科学家们长期以来一直怀疑自闭症和精神分裂症有某种联系。

“自闭症谱系障碍患者患精神分裂症的风险是普通人群的10倍。自闭症需要社会支持，但通常精神分裂症的精神病需要药物治疗，所以区分这两种情况或知道它们何时同时发生是非常重要的。”小池说。

计算机将大脑图像转换成数字世界

一个由医学和机器学习专家组成的多学科团队，利用核磁共振成像(MRI)对206名日本成年人的大脑扫描来训练他们的计算机算法，这些人都已经被诊断为自闭症谱系障碍或精神分裂症，被认为是精神分裂症高风险人群、初次经历精神病的人群，以及没有精神健康问题的神经正常人群。所有患有自闭症的志愿者都是男性，但在其他组中，男性和女性志愿者的人数大致相当。

机器学习使用统计信息在大量数据中查找模式。这些程序在一体中找到了相似之处和群体之间发生的差异，其经常被轻易被视为巧合。本研究使用了六种不同的算法区分患者组的不同MRI图像。

这项研究中使用的算法学会了将不同的精神病诊断与MRI图像中大脑区域的厚度、表面积或体积的变化联系起来。目前还不清楚为什么大脑中的任何生理差异往往与特定的心理健康状况有关。

拓宽了诊断之间的界限

训练期结束后，该算法与另外43名患者的大脑扫描图进行了测试。这台机器的诊断与精神科医生的评估具有很高的可靠性和高达85%的准确性。

重要的是，机器学习算法可以区分自闭症谱系疾病的患者，以及精神分裂症或精神分裂症风险因素的患者。

机器帮助塑造精神病学的未来

研究小组指出，成功地区分非患者和有精神分裂症风险的个体的大脑，可能揭示了导致精神分裂症的大脑的物理差异，甚至在症状出现之前就已经存在，并且随着时间的推移保持一致。

研究小组还指出，大脑皮层的厚度，即大脑顶部的1.5到5厘米，是正确区分自闭症谱系障碍、精神分裂症和典型个体的最有用的特征。这揭示了皮层厚度在区分不同精神疾病中所起作用的一个重要方面，并可能指导未来的研究，以了解其原因精神疾病。

虽然研究团队训练了他们的机器学习算法大脑对大约200个人进行了扫描，所有的数据都是在2010年到2013年间通过一台MRI机器收集的，这确保了图像的一致性。

“如果你用iPhone或Android摄像手机拍照，图像会略有不同。核磁共振成像机器也是如此 - 每个MRI采用略微不同的图像，所以在设计新的机器学习协议等，我们使用相同的MRI机器和完全相同的MRI程序，“Koike说。

现在他们的机器学习算法已经证明了它的价值，研究人员计划开始使用更大的数据集，并希望协调多位点研究，训练程序工作，不管MRI差异。

---

---