【Nature子刊】CMU利用机器学习发现具有自杀想法的病人，准确度94%
根据世界卫生组织统计，每年约有80万人自杀身亡。评估自杀风险是心理健康临床医生面临的最大挑战之一：具有自杀想法的病人常常掩盖其自身意图，而临床医生对自杀风险的预测也一直不甚理想。因此，我们亟需不依赖于自我报告的自杀风险标记。
尽管已经有多年的研究，精神疾病仍然很难诊断和治疗。许多研究者指出，影响诊断的一个主要问题是其测试依赖行为症状，而不是侧重于生物学机制。有人认为，由于基因—环境的相互作用，遗传分析尚未形成一个令人信服的理解内在机制的途径。相比之下，脑成像似乎正在成为一种更可行的途径，它使诊断和评估基于神经生物学机制。特别是，最近在将机器学习方法应用到脑成像数据方面取得了一些进展，这些数据让研究人员得以对表示被扫描个体的特定想法的神经活动模式进行解码。
在本周《自然-人类行为》发表的一篇论文中， Marcel Just 和同事们在一项功能性核磁共振成像（fMRI）研究中发现了具有自杀倾向的精神病患者的表征。他们提出， 利用机器学习技术表征人脑内的死亡和生命相关概念，可以高度准确地区分具有自杀想法的病人和无自杀想法的个体。 更令人印象深刻的是，Just 等人的研究表明， 该方法还可以在具有自杀想法的人中，进一步区分出哪些人做出过自杀尝试，而哪些没有 。
利用fMRI信号区别脑区神经活动
fMRI产生的信号与大脑区域的神经活动量有关，这些区域的空间分辨率只有几毫米。当某区域的神经活动增加时，氧合血流入该区域，因为含氧和脱氧的血细胞的磁性有轻微的不同，fMRI可以测量到这一变化。在早期利用fMRI的患者研究中，研究人员试图找到患者与对照组（通常是一组健康的个体）之间存在显著统计学差异的脑区。差异可以是fMRI信号（即功能活化），或一个或多个大脑区域的活动与其他区域的活动的关联（即功能连接）。不过，这些差异通常并不大，不足以将个体归类为患者或对照组，因此不能作为诊断或治疗效果目的的功能性生物标志物。 Just和同事开创的机器学习分析方法克服了传统的fMRI数据分析技术的一些局限性。
展示给研究者的3组词汇
在这个研究中，Just和同事们向具有自杀想法的病人和对照组个体分别展示三组每组10个词汇的单词，分别与自杀相关（例如“死亡”），与消极情绪相关（例如“忧郁”），与积极情绪相关（例如“无忧无虑”），并在此过程中对他们进行功能性磁共振成像扫描。结果发现，对其中六个单词（死亡、残忍、麻烦、无忧无虑、良好和赞美）的神经活动应答以及五个脑区的神经活动最能区分想自杀的病人和对照组个体。
图1：有自杀倾向的患者和对照组的stable voxels集。图上的白色圈表示5个有显著区别脑区。
之后，研究者继续训练一个机器学习分类器，使用这30（6 × 5）个特征来鉴定哪些被试是病人，哪些是对照组个体。结果很显著：分类器算法准确鉴定出17位自杀组病人中的15位，以及17位对照组健康个体中的16位。
之后，研究者继续调查那些有自杀倾向的病人，他们被分为两个小组：曾尝试过自杀（9位）和未尝试过自杀（8位）。作者训练了一个新的算法，它准确鉴定出了其中16位的情况（准确率达94%）。
表：被试者信息和临床变量
大脑信号（Just和同事称之为神经语义特征）中是哪些与思维过程相关的信息，使得在患者识别中实现如此高的准确性？在之前的研究中，研究者评估了大脑对特定情绪的激活模式。因此，Just 等人得以确定这六种不同的概念（例如，死亡、麻烦、无忧无虑）的情绪特征，并比较患者和对照组之间这些特征的差异，以及患者组内的自杀未遂者和无自杀尝试者之间的不同。
图：在被展示“death”这个词时，有自杀倾向者组（左）和对照组（右）脑区激活模式的不同。
他们的研究结果得出的一个结论是，消极的概念导致更多的悲伤和羞愧，但在自杀组中愤怒的情绪却比对照组。
图2：有自杀倾向者和对照组的显著差异脑区
正如 Just 等人所强调的，这项精神病学研究的临床重要性在于，它关注的焦点并不是自杀个体对某个任务的反应，不管是口头回答还是按按钮，而是他们如何看待这些不同的概念；也就是说，关注的焦点是参与者的直接体验。
结论和后续研究
我们能从这项研究中学到什么，以及它潜在的重要作用是什么？首先，重要的是要注意到鉴别概念相关的神经语义特征不局限于单个脑区域，而是分布在多个脑区（见图1）。因此，Just 等人使用的机器学习方法的数据分析技术现在已经有越来越广泛的利用，这是多元的；他们并不试图将认知功能定位于单个脑区。这已经成为功能性神经影像诊断能力的主要来源之一：来自大脑多个区域的数据同时产生，使得研究者可以采用多变量/网络分析方法。
其次，Just团队的研究明确地表明，在一小群患者中，可以使用具体想法的大脑表征来对有自杀倾向的患者和健康人对照组进行分类，更具体地，可以区分自杀未遂的患者和没有自杀尝试者。正如作者指出的，后者的区别是很少有风险因素能够提示的。
如果后续的研究能够证明，(1)这个小样本研究的发现可以被复制，以及（2）这一研究使用的机器学习方法可以推广到其他类似精神疾病群体，那么，功能性神经影像学有潜力成为精神疾病诊断或疗效评估的有力工具。