人工智能算法在精神疾病中的應用簡述

劉光迪 , 李雨辰 , 張偉, 章樂

1. 引言

1990年和2010年全球疾病負擔研究[1]發(fā)現(xiàn)，精神障礙和物質濫用是造成以傷殘調整生命年（DALY）衡量的第四大疾病負擔的主要原因[2,3]，并且是導致全球范圍內傷殘的主要原因。

為了研究精神疾病的致病因素和發(fā)病機制[4]，同時增加對大腦的干預能力和提高對精神疾病的臨床治療水平，各國開展了大量腦研究計劃[5]。如美國2013年推出的推進創(chuàng)新神經(jīng)技術腦研究計劃（Brain Research through Advancing Innovative Neuroethology initiative）[4]、歐盟2013年推出的人類大腦計劃（Human Brain Project, HBP）[4]、日本2014年啟動的腦庫網(wǎng)絡（Brain Bank Network）項目[5]。我國也非常重視該領域的研究，并于2016年發(fā)布了“中國腦計劃：腦科學與類腦研究”，該項目涵蓋了大腦疾病的神經(jīng)機制的基礎研究和臨床研究[6]。

盡管精神疾病是腦科學研究的一個重要領域，但是大多數(shù)精神病學專家仍然基于主觀經(jīng)驗而不是通過病理生理學指標對該疾病進行診斷[7,8]。這可能會誤診及無法準確判斷治療路徑。因此，我們迫切需要對重大精神疾病的病因和發(fā)病機制有一個清晰的認識，以便為主要的大腦疾病開發(fā)有效的治療和干預措施。

近年來，基于人工智能（AI）的應用已被迅速用于精神病學研究和診斷[9–15]。例如，Jan等[16]提出了一種用于監(jiān)測抑郁癥的AI系統(tǒng)，該系統(tǒng)可以預測貝克憂郁量表II（BDI-II）中聲音和視覺表達分數(shù)。另外，Wen等[17]基于多模態(tài)神經(jīng)影像學提取了多種類型的灰-白質特征，并使用多核學習分類器為每個特征的核函數(shù)分配權重。

然而，目前尚無系統(tǒng)性的綜述對AI在精神病學研究和診斷中的應用情況進行闡述。因此，我們將對該部分內容進行簡要闡述，并對如何使用AI技術去探索精神疾病的生物標志物進行討論。

2. 精神疾病診斷中與AI 相關的主要技術

AI技術[18,19]正被逐步應用于精神疾病診斷。大腦結構和功能是精神疾病最重要的生物學表型和關鍵的診斷標志物[20]。因此，使用AI技術可以獲得用以表征不同精神疾病的詳細信息，從而對這些疾病進行診斷[16]。

圖1描述了精神疾病研究中用于大腦觀察的三種主要技術：磁共振成像（MRI）、腦電圖（EEG）和基于體勢學的診斷[21]的技術。接下來，我們將討論這些技術基于AI的相關應用。

2.1. 磁共振成像

MRI是用于研究行為和認知神經(jīng)科學的主要技術，因為該技術可以探測明顯的精神異常，而這些精神異常是計算機斷層掃描（CT）技術所無法檢測到的[22–25]。目前，腦成像常用的AI技術包括多任務/多模式學習、分類、核心和深度學習方法[26]，這些方法有助于有效分析現(xiàn)有疾病數(shù)據(jù)、探索關鍵生物標志物和提高大腦疾病的臨床治療能力[24,25]。盡管許多與AI相關的技術已經(jīng)被應用到MRI [26–28]，但本節(jié)我們主要介紹被用于神經(jīng)成像研究的卷積神經(jīng)網(wǎng)絡（CNN）[29]和深度神經(jīng)網(wǎng)絡（DNN）[30–32]，以闡明精神疾病的神經(jīng)相關性[30,33–36]。例如，Hosseini-Asl等[37]提出了一種新的自適應三維（3D）深度監(jiān)督CNN，該網(wǎng)絡可以自動提取和識別阿爾茨海默病的特征、捕捉由阿爾茨海默病引起的變化，以及利用這些網(wǎng)絡對MRI圖像進行分析和識別。此外，Koyamada等[38]使用DNN構建了一種主題傳輸解碼器。該解碼器是由人腦連接組計劃（HCP）中的功能性MRI（fMRI）數(shù)據(jù)集所訓練的，它具有比其他解碼方法更高的解碼精度。

目前，雖然MRI是一種重要的精神疾病診斷工具，但它仍存在幾個主要的缺點。首先，MRI需要大量的計算機配置。其次，它需要大量數(shù)據(jù)來優(yōu)化模型的關鍵參數(shù)。第三，它的成像過程耗時較長。因此，如何改進現(xiàn)有的基于AI的應用來解決這些問題是MRI未來的重要研究方向。

2.2. 腦電圖

目前，EEG信號對于理解人類大腦如何處理信息和診斷精神疾病是非常重要的，我們可以通過檢測和記錄人類的EEG信號來完成神經(jīng)系統(tǒng)疾病的診斷和治療[39]。與CT和MRI相比，EEG具有更高的時間分辨率[40]。因此，盡管EEG的空間分辨率有限，但它仍然是一個有價值的研究和診斷工具，特別是當特定的研究需要毫秒級的時間分辨率時，如關于焦慮癥、精神病和抑郁癥的研究[41]。

圖1. 精神疾病的主要觀察技術。

在這里，我們重點描述了經(jīng)典機器學習算法在EEG中的應用。由于EEG數(shù)據(jù)是用圖形表示的，所以研究人員通常利用基于AI的模型來對其進行分析[42–45]。例如，F(xiàn)ield和Diego [46]采用線性判別分析法處理EEG數(shù)據(jù)，并且在對正?；颊吆鸵钟舭Y患者進行分類時獲得了67%的準確率。此外，Iosifescu等[47]采用支持向量機（SVM）對88名受試者額頭上的8導聯(lián)中點的靜息狀態(tài)EEG數(shù)據(jù)進行分類，分類準確率達70%。此外，Bisch等[48]采用邏輯回歸（LR）對抑郁癥的9導聯(lián)EEG數(shù)據(jù)進行分類，分類準確率達83.3%。

盡管EGG可以簡化數(shù)據(jù)采集過程，但其會造成信息丟失。更重要的是，EGG數(shù)據(jù)存在的大量未被挖掘的因素會導致分類決策出現(xiàn)大量噪聲。因此，開發(fā)更適合EGG數(shù)據(jù)的機器學習模型是我們未來的主要研究方向。

2.3. 體勢學

體勢學數(shù)據(jù)（包括行為[49]、面部[50]等數(shù)據(jù)[48]）對于研究精神疾病的發(fā)病機制、發(fā)展轉化和輔助診斷非常重要。AI技術被廣泛應用于分析這些數(shù)據(jù)，以幫助診斷和預測精神疾病。

近幾年，與AI相關的應用已被用于基于體勢學的數(shù)據(jù)診斷[50–52]。例如，Wang等[53]提出了一種為視頻數(shù)據(jù)建立概率面部表情輪廓的計算方法，該方法可以自動量化精神疾病患者（如精神分裂癥）和健康對照組之間情感表達的差異[16]。Zhu等[54]采用深度學習算法實現(xiàn)了抑郁癥的自動診斷，他們通過將平均絕對誤差降低30.3%，顯著提高了抑郁癥的預測性能。此外，Kaletsch等[55]研究了重度抑郁障礙（MDD）患者與健康對照組在身體運動方面的情緒表達差異，并證明MDD患者比健康對照組更消極。

另外，Dhamecha等[56]提出了一種用于識別或驗證偽裝后的人臉的人機性能算法[57]。該方法通過自動定位特征描述符來識別偽裝后的人臉圖像，并對這些信息進行處理以提高匹配精度。實驗結果表明，該算法不僅能在性能上優(yōu)于現(xiàn)有的商用算法，而且能在匹配時對偽裝的人臉圖像進行評價。

總的來說，隨著AI和精密醫(yī)學的發(fā)展，體勢學數(shù)據(jù)的采集和分析將變得更容易、更方便，且成本更低。體勢學數(shù)據(jù)有助于提高模型的預測準確性和減少誤診率，以及有助于精神病學專家診斷和治療精神疾病。

3. 人工智能算法

3.1. 貝葉斯模型

在AI中，樸素貝葉斯分類器（na?ve Bayes classifier）[58–60]是一種基于貝葉斯定理和特征條件無關假設的分類方法，它是分類算法的一種通用術語。

在近期研究中，貝葉斯模型經(jīng)常被用來診斷精神疾病。例如，計算精神病學的Strüngmann論壇（Strüngmann Forum on Computational Psychiatry）[61–63]建議使用貝葉斯推理來研究潛在原因（遺傳學和社會學現(xiàn)象[15,64]）、潛在假設理論結構以及癥狀之間的關系[65]。此外，Grove等[66]采用貝葉斯模型比較法探討了視覺整合與一般認知的關系。結果表明，貝葉斯模型不僅可以對疾病分類系統(tǒng)進行比較，并且能獲取診斷組的一般心理病理信息。

3.2. 邏輯回歸

在統(tǒng)計學中，邏輯斯諦模型[67,68]是應用最廣泛的統(tǒng)計學模型，而且LR是一種重要的AI算法[68,69]。最近的研究經(jīng)常使用LR模型來診斷精神疾病。例如，Hagen等[70]采用LR法評價了心理困擾與兩種認知篩查工具之間的相關性。結果表明，基于績效的評估可以減少心理困擾對認知篩查的影響。

此外，Barker等[71]采用多變量LR模型預測了30天內精神病患者再入院的情況。他們研究了一種更好的再入院預測方法，并找到了精神病患者再入院的重要預測因素。

Shen等[72]通過分類和回歸樹方法建立了一種風險分層模型以獲得精神病共病的比值比（odds ratio, OR），并采用LR法計算了有無邊緣型人格障礙的受試者之間的精神共病的OR。

總之，LR模型的預測準確性很高，并且其在臨床上得到了廣泛的應用。

3.3. 決策樹

決策樹[73]是一種類似于流程圖的圖表，該圖表顯示了一系列決策結果，包括隨機事件結果和效用。決策樹是監(jiān)督分類學習中使用最廣泛的算法之一。在AI算法中，決策樹是一種預測模型，它代表了對象屬性和對象值之間的一種映射關系。大多數(shù)現(xiàn)代決策樹學習算法都采用基于純度的啟發(fā)式算法[74]。信息增益，即gain(D,X)，定義如下[75,76]。

式中，D是一組訓練集；X是某種屬性；x是屬性X的取值；Dx是D的子集，由X=x的實例組成；info(D)由下式定義。

式中，pi是根據(jù)訓練實例的百分比進行估算的；m是類別數(shù)。

接下來，我們將詳細討論被用于精神疾病研究的兩種決策樹算法。

Carpenter等[77]使用決策樹算法測試了學齡前兒童精神病評估（PAPA）項目是否可以被用于預測兒童是否可能患有廣泛性焦慮障礙（GAD）或分離性焦慮障礙（SAD）。他們使用決策樹識別了正處于焦慮癥邊緣的兒童，結果表明，該決策樹對GAD和SAD的預測準確率均高達96%。

Scattler等[78]使用決策樹分析了Spence兒童焦慮量表（SCAS）和SCAS-P強迫癥-沖動性障礙子量表的數(shù)據(jù)，并結合兒童與家庭的臨床和社區(qū)樣本設計出兩種診斷強迫癥的篩查算法。結果表明，在不犧牲與全分量表相關的性質的前提下，該算法將診斷強迫癥所需的SCAS-P項目數(shù)量減少了67%～83%。

3.4. 支持向量機

目前，SVM模型已被廣泛應用于精神疾病的診斷。例如，為了描述用戶的情況，Peng等[80]采用多核SVM模型，通過提取三種社交方法（用戶微博正文、用戶簡介和用戶行為）來定位可能患有抑郁癥的潛在用戶。此外，Al-Shargie等[81]提出了一種基于多類SVM的判別分析方法。結果表明，該方法可以判別不同的EEG應激水平，平均分類準確率達94.79%。

3.5. 深度學習

經(jīng)典的機器學習方法，如貝葉斯模型和SVM，已經(jīng)在精神病學和神經(jīng)科學領域得到了廣泛的應用[64–66]。目前，深度學習[82–84]是一個熱門的機器學習研究方向，它在很大程度上超越了前面提到的AI模型[85–87]。

深度學習是指在多層神經(jīng)網(wǎng)絡上使用各種機器學習算法來解決圖像或文本等各種數(shù)據(jù)的一組算法。結合低維特征，深度學習可以開發(fā)出更加抽象的高維屬性類別或特征，從而發(fā)現(xiàn)數(shù)據(jù)的分布式特征。其中，權值更新可利用隨機梯度下降法進行求解，公式如下：

式中，Δw(t)是t時刻權重；η是學習速率；C是損失函數(shù)。損失函數(shù)的選擇與學習類型（如有監(jiān)督學習、無監(jiān)督學習、增強學習）和激活函數(shù)有關。

下面，我們詳細討論兩個深度學習算法在精神疾病診斷中的應用。

通過在TensorFlow框架上使用DNN，Khan等[88]利用一種計算工具（綜合精神疾病基因組評分，簡稱iMEGES）分析了個人基因組的全基因組/外顯子組序列數(shù)據(jù)。基于深度學習框架，該工具為精神疾病創(chuàng)建了優(yōu)先基因評分[89]。研究結果表明，當有大量訓練數(shù)據(jù)集存在時，該工具的性能優(yōu)于競爭方法。

此外，Heinsfeld等[39]對大型腦成像數(shù)據(jù)集采用了深度學習算法，并且僅根據(jù)患者的大腦激活模式就識別出了自閉癥譜系障礙患者。研究結果表明，數(shù)據(jù)集的分類準確率達到70%，可見，深度學習算法對大數(shù)據(jù)集的分類效果優(yōu)于其他方法。此外，研究結果顯示了深度學習算法在臨床數(shù)據(jù)集中的應用前景，并闡明了AI在精神疾病診斷中的應用前景。

盡管深度學習算法先進的性能在一些領域已得到驗證，但由于其在學習和測試過程中缺乏透明度，所以該算法一直受到人們的密切關注[90–92]。例如，深度學習被稱為“黑匣子”。相比較而言，LR等技術相對簡單易懂。

為此，本文介紹了可解釋DNN的最新研究成果。例如，在CNN可視化方面，Springenberg等[93]提出了一種可被用于從深度學習中獲取特征的反卷積方法。此外，Kindermans等[94]提出了一種將輸入圖像中對CNN決策過程貢獻最大的區(qū)域進行可視化的方法。而在利用傳統(tǒng)機器學習模型解釋神經(jīng)網(wǎng)絡的相關研究中，Zhang等[95]提出了一種解釋預訓練CNN卷積層特性的方法，并利用說明圖揭示了隱藏在CNN中的知識層?？傊?，一個好的AI模型應該是可解釋、可通用和適應性強的，并且應該從數(shù)據(jù)、規(guī)則和交互中進行學習。

4. 討論

介于環(huán)境與多個易感基因之間的相互作用，未來精神疾病的診斷過程如下：首先，通過EEG研究引起蛋白質表達[98,99]等的微分子變異[96,97]；其次，通過MRI檢測大腦結構、特定神經(jīng)環(huán)路以及大腦功能的改變；最后，當患者發(fā)生臨床表型轉換時，利用行為學數(shù)據(jù)鑒定行為變化[100]。結構、功能和行為方面的這些變化，不僅有助于精神疾病的早期診斷，而且有助于對診斷精神疾病的關鍵生物標志物進行探索。

然而，精神疾病的臨床癥狀復雜多樣。精神疾病的診斷又屬于醫(yī)學任務中的一種勞動密集型工作，因此，此項工作可由機器學習輔助進行。一般的醫(yī)療系統(tǒng)往往不能準確、快速地診斷精神疾病。臨床檢驗技術和AI技術的不斷發(fā)展，不僅可以大大降低診斷成本，而且可以實時獲得輔助診斷結果。所以，AI技術可以協(xié)助醫(yī)生做出更準確和更有效的診斷[101–103]，從而提高神經(jīng)精神疾病的臨床診斷水平。

AI在這方面的典型應用是基于DNN的疾病診斷[104]。DNN可以通過基于相關疾病數(shù)據(jù)的深度學習模型來準確預測疾病或異常病變的風險。在文獻中，雖然深度學習對精神疾病診斷的分析性能較好，但該模型也存在一些問題，如：①對計算機配置的要求較高；②對數(shù)據(jù)量的要求較高（只有在數(shù)據(jù)較多的情況下，實驗性能才較好）；③實驗所消耗的時間較長。這些問題值得進一步研究和探討。

總之，盡管AI在精神疾病診斷方面取得了很大的進展，但仍有許多問題需要解決[105]。首先，由于目前的研究主要是基于經(jīng)典的淺層學習算法，而該算法在高維特征之間很難共享和使用信息。因此，深度學習是未來的一個研究方向。其次，發(fā)展利用無監(jiān)督學習對未標注的精神疾病影像學數(shù)據(jù)進行自動標注是十分必要的。最后，由于目前基于AI的模型只能處理同源數(shù)據(jù)集，所以它的適用性不強。因此，遷移學習、多視角學習和集成學習[106]有望在將來被用于處理大量的精神疾病數(shù)據(jù)。

5. 結論

目前，MRI、EGG和體勢學是診斷精神疾病的重要方法。隨著AI技術在醫(yī)學中的應用越來越廣泛，傳統(tǒng)的人工診斷方法正逐漸被淘汰，而MRI、EEG、體勢學在計算機輔助診斷方法中的作用越來越重要。本文綜述了AI技術在上述三個方面的應用，即①精神疾病診斷過程的簡要介紹及對其中所產(chǎn)生的主要數(shù)據(jù)類型的分析；②AI技術在精神疾病診斷中的重要作用及其應用性能的介紹；③基于當前深度學習熱點對疾病診斷方法的總結與分析。

致謝

本研究得到了國家重點研發(fā)計劃慢性傳染病專項（2016YFC1307201）、國家自然科學基金（61372138、81701328、81871061、81371484）、 國 家 重 點 研 發(fā)項目（2018ZX10201002、2016YFC1307200）、中國博士后基金 （2017M612972）、四川大學博士后基金 （2018SCU12042）、四川省科技廳科技計劃項目（2018SZ0131）的資助。

Compliance with ethics guidelines

Guang-Di Liu, Yu-Chen Li, Wei Zhang, and Le Zhang declare that they have no conflict of interest or financial conflicts to disclose.