大多数现代医学都有物理测试或客观技术来定义使我们感到不适的许多疾病。但是，目前还没有血液，基因检测或公正的程序可以明确诊断精神疾病，当然也没有人可以区分具有相似症状的不同精神疾病。东京大学的专家正在将机器学习与脑成像工具相结合，以重新定义诊断精神疾病的标准。

像这样的MRI图像通过机器学习计算机算法进行筛选。该算法基于大脑某些区域的厚度，体积或表面积的细微但统计上重要的差异，学会了识别非患者，诊断为自闭症的患者和诊断为精神分裂症的患者的大脑。该工具可能有助于使将来的心理健康诊断更加客观，而不是仅仅依靠患者及其家人的陈述。图片来源：CC-BY /东京大学小池真辅

“包括我在内的精神科医生经常与患者及其老师，朋友和父母谈论症状和行为。我们仅在医院或诊所中与患者会面，而不是在日常生活中。我们必须使用主观的二手信息来做出医学结论。”东京大学副教授，最近发表在《转化精神病学》上的这项研究的资深作者小池伸介博士解释说。

“坦率地说，我们需要客观的措施，” Koike说。

重叠症状的挑战

其他研究人员设计了机器学习算法，以区分精神疾病患者和自愿作为此类实验“对照”的非患者。

Koike说：“很容易分辨出谁是患者，谁是对照，但是要区分不同类型的患者之间的区别并不容易。”

UTokyo研究小组表示，他们的研究是第一个区分多种精神病诊断的研究，包括自闭症谱系障碍和精神分裂症。尽管在流行文化中描述方式截然不同，但科学家长期以来一直怀疑自闭症和精神分裂症之间存在某种联系。

自闭症谱系障碍患者的精神分裂症风险比普通人群高10倍。自闭症需要社会支持，但精神分裂症的精神病通常需要药物治疗，因此区分两种情况或了解何时发生是非常重要的。” Koike说。

计算机将大脑图像转化为数字世界

医学和机器学习专家的多学科团队使用MRI(磁共振成像)脑部扫描对206名日本成年人，已经诊断出患有自闭症谱系障碍或精神分裂症的患者，被认为患有精神分裂症的高风险患者以及他们的第一例精神病患者，以及没有精神健康问题的神经型患者。所有患有自闭症的志愿者都是男性，但其他群体中的男性和女性志愿者数量大致相等。

机器学习使用统计信息来查找大量数据中的模式。这些程序在组内发现相似之处，在组之间发现差异，而这些差异经常发生，以至于不能被巧合地忽略掉。这项研究使用了六种不同的算法来区分患者组的不同MRI图像。

本研究中使用的算法学会了将不同的精神病学诊断与MRI图像中大脑的厚度，表面积或体积的变化相关联。尚不清楚为什么在特定的心理健康状况下经常发现大脑的任何物理差异。

训练期过后，又对另外43名患者进行了脑部扫描，对算法进行了测试。机器的诊断与精神科医生的评估相符，具有很高的可靠性和高达85%的准确度。

重要的是，机器学习算法可以区分非患者，自闭症谱系障碍患者和精神分裂症或精神分裂症危险因素患者。

研究团队指出，成功区分非患者和有精神分裂症风险的人的大脑可能表明，导致精神分裂症的大脑物理差异甚至在症状出现之前就已经存在，并且随着时间的流逝保持一致。

研究小组还指出，大脑皮层的厚度，即大脑的顶部1.5至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功能。这揭示了皮质厚度在区分不同的精神疾病中所起的作用的重要方面，并可能指导将来的研究以了解精神疾病的原因。

尽管研究团队使用大约200个人的脑部扫描训练了他们的机器学习算法，但所有数据都是在2010年至2013年之间在一台MRI机器上收集的，这确保了图像的一致性。

“如果您使用iPhone或Android照相手机拍照，图像将略有不同。MRI机器也是如此-每个MRI都拍摄略有不同的图像，因此在设计像我们这样的新机器学习协议时，我们使用相同的MRI机器和完全相同的MRI程序，” Koike说。

既然他们的机器学习算法已经证明了其价值，研究人员计划开始使用更大的数据集，并希望协调多站点研究以训练程序工作，而不管MRI差异如何。

标签： 精神卫生保健