课程推介： 计算精神病学课程Computational Psychiatry Courses（CPC）

课程推介：计算精神病学

 Computational Psychiatry Courses（CPC）  

Perception is the result of a combination of different types of noisy information including sensory data and prior knowledge.

一

课程简介与引导

瑞士苏黎世联邦理工学院（ETH）的工程系从2011-2012学年度起，开设了计算精神病学课程Computational Psychiatry Courses（CPC）。每年，ETH都会邀请世界各地相关领域学者来CPC课堂做报告。

该课程设置为期五天。

第一天，我们从临床的角度了解精神类疾病的诊断与治疗途径；

第二、三天，我们学习计算精神病学涉及到的数学与统计方法与模型，包括机器学习（Machine Learning）、贝叶斯推断（Bayesian Inference）, 马尔可夫决策过程（Markov Decision Processes）、动态因果模型（Dynamic Causal Modeling）等。

第四天的内容把前三天的所得完美结合，通过多个案例与研究了解神经计算与疾病之间的联系。
第五天为实际操作，把理论用代码实现出来。
课程整体安排时间十分紧凑，所涉及内容繁多，但不失去幽默与趣味。

什么是计算精神病学（computational psychiatry）？其中计算过程该怎么理解？精神类疾病与机器学习，人工智能又有什么联系？计算模型在精神类疾病的诊断与治疗当中有什么科学意义？未来计算精神病科学领域有什么发展机会？

这些问题在ETH 主办组织的计算精神病学课程中都可以得到让你惊喜的答案！

本篇是2018年CPC课程前四天课程录像的概括性介绍，给出了关键内容的部分参考文献与链接，旨在提供该课程的基本框架和核心内容。若对更多详细内容感兴趣，请点击文章最后阅读全文！

二

精神病临床案例

案例一：抑郁症（Depression）

我们以一种常见的精神类疾病——情感障碍（affective disorder）来开启精神类疾病的临床讨论。以抑郁症（depression）的为例，我们首先需要鉴别诊断（differential diagnosis）。

鉴别诊断（differential diagnosis）

系统地研究适合患者初始表述的所有诊断类别的体征/症状/生物标志物。

Dominik Bach带领我们了解当下如何对抑郁症进行分类，展望未来利用机器学习提出个性化的治疗方案（personalized treatment），以及预估的治疗结果。

（图片来源：南方人物周刊——精准医疗抗击抑郁症 ）

案例二：自闭症（Autism）

自闭症（Autism）患者不一定都呈现不与外界沟通交流的症状。总是重复某一种行为，或总是感觉自己没有准备好，也可能是自闭症的症状。Helene Haker-Rössler带我们一起了解什么是自闭症，以及2012年被提出的关于自闭症的 贝叶斯大脑理论（Beyesian Brain Theory）.推荐阅读 “Can Bayesian theories of autism spectrum disorder help improve clinical practice?”(https://www.frontiersin.org/articles/10.3389/fpsyt.2016.00107/full)

案例三：精神分裂症

精神疾病（Psychotic disorders）存在的形式很多样，其中一种便是精神分裂症（Schizophrenia）。Rick Adams介绍了各种精神疾病的症状与诊断。

“Psychotic disorders exist along a spectrum.”

精神分裂症的诊断

• Delusion幻想

• Hallucinations幻觉

• Negative symptoms 消极症状

• Abnormal psychomotor behaviour 精神运动行为异常

• Disorganized speech 言语混乱

精神分裂症目前主要通过药物治疗，氯氮平（Clozapine）被认为是目前为止治疗精神分裂症最有效的药物之一。

氯氮平分子结构图

图片来源：维基百科

Rick也解释了至今计算精神病学在精神障碍疾病的治疗、诊断和机理研究中的作用。例如，使用强化学习（reinforcement learning）对消极症状（Negative symptoms）进行建模；使用生物物理模型和抽象模型等对认知症状（Cognitive symptoms）进行建模。但是这些模型和方法仍有很多缺陷，很多问题需要发现并解决。Klaas Enno Stephan 和 Roland von Känel引入了精神病病理生理学（Psychiatric pathophysiology）以及心身医学（Psychosomatics）等概念，并且详细解释了其定义、发展历史、疾病诊断等内容。

（Diagnostic And Statistical Manual Of Mental Disorders（DSM ），由美国精神病学协会（american psychiatric association，APA）出版，图片来源于网络）

三

计算方法与建模概论

这一部分是课程的第2/3天的内容。主要讨论计算建模的基础，包括将感知（perception）作为推断（inference）模型化；更广阔的模型实现（implementation）；数据驱动的方法（Data-driven approaches）；决策方法（Decision making）。进一步，我们从感知（perception）的角度来到行为（actions）的角度，讨论描述如何根据不同的政策（policies）和对世界的有限知识来计划和选择行为的模型。之后，脑电图（EEG） 和功能核磁共振（ fMRI ）的生物物理信息模型被引入。同时，建模中涉及到的基本问题，例如模型比较与选择，以及参数估计等也被深入讨论。

计算神经病学中最基本的数学模型是生成模型（generative modelling）。学习神经系统的模型，我们要对于以下概念有一个清晰的了解。

• 系统（system）

• 系统模型（system models），也称为state space models, latent process models）

• 正向建模（Forward modeling）

• 状态（States）, 参数（parameters）, 输入（inputs）

• 过度拟合（Overfitting）

• ……
  

贝叶斯推断在计算神经科学中的应用十分广泛。在生成建模（generative model）的过程中，我们首先要确认一个生成模型，包括似然函数（likelihood function）和先验分布（ prior distribution），然后处理观察数据，最后通过模型反转（Model inversion）获得后验分布（posterior distribution） 和模型证据（model evidence）。模型反转的方法很多，某些特定情况下可以通过计算直接得到后验分布的分析解，在计算神经科学中，大部分情况下使用的是近似推断（approximate inference），其方法包括变异贝叶斯方法（variational Bayes，VB） 和 蒙特卡洛·马尔科夫链采样（Monte Carlo Markov Chain Sampling，MCMC）。在CPC课程中，Lionel Rigoux 详细解释了VB 和 MCMC 与 其应用。神经科学领域的一个关键的问题就是感知（perception）是什么？它如何使得我们与外界产生关联？我们如何对于perception进行建模？而我们又为什么用这个方法？这些问题由Frederike Petzschner为我们解答。进而，Christoph Mathys（link）介绍了分层贝叶斯推理（Hierarchical Bayesian inference） ，更有助于我们理解大脑的贝叶斯机制。

      贝叶斯推理内容提炼

• 推理大脑，即贝叶斯大脑（Bayesian brian）

• 将贝叶斯推断简化为精确加权的预测误差（precision-weighted prediction errors）

• 非平稳环境和分层高斯滤波器（hierarchical Gaussian filter (HGF)）

• 相关实验研究和结果，例如有条件的幻觉（hallucinations）

关于分层高斯滤波器（Hierarchical Gaussian Filter），更多内容请参看 “Uncertainty in perception and the Hierarchical Gaussian Filter”（https://www.frontiersin.org/articles/10.3389/fnhum.2014.00825/full）关于有条件幻觉的的研究，请参看“Pavlovian conditioning–induced hallucinations result from overweighting of perceptual prior”（https://science.sciencemag.org/content/357/6351/596.abstract）

“Every good regulator of a system must be a model of that syste”  

    --- Conant & Ashby, 1970

在了解了贝叶斯大脑之后，我们会意识到在建模过程中，需要对大脑中的信息进行处理。于是，Lilian Weber自然引入了预测编码（Predictive Coding）。Lilian 从根源、范围、神经生物学等角度，多方面介绍了预测编码（Predictive Coding），尤其是，预测编码在计算神经病学的实用性。

所有的建模过程与结果的获得都是由数据驱动的。说到数据，不得不提及机器学习（machine learning）。Andre Marquand 以模式识别（pattern recognition）作为切入点，讲解了在计算神经病学中的常用的机器学习方法及其应用，包括支持向量机（support vector machine，SVM）， 深度学习（deep learning） 等。强化学习（reinforcement learning，RL）作为机器学习的一种，其无外界监督、与环境互动，与行为选择紧密相连等特征，使得RL在计算神经科学中备受欢迎。Ahn Woo-Young对RL进行了清晰明了的概述，并且指出了当下RL的发展限制以及未来的发展方向。

另外一个常见的模型是漂移扩散模型（Drift-Diffusion Model，DDM），Rafael Poloniad对于DDM给出了关于概念和基本原理的简要介绍，并且以揭示决策行为的动态心理生物学等为案例说明DDM的有效性。关于DDM的内容，推荐阅读

“Diffusion Decision Model：Current Issues and History”( https://www.sciencedirect.com/science/article/abs/pii/S1364661316000255)

“An optimal policy has the property that whatever the initial state and initial decision are, the remaining decisions must constitute an optimal policy with regard to the state resulting from the first decision.”

—— Bellman, 1957 

我们总是期待最优行为与最优解决方案，做决策在大脑的运行机制中十分重要。Frederike Petzschner（link）和Lionel Rigoux（link）共同介绍了 马尔可夫决策过程(Markov Decision Processes，MDP） 和 局部可观马尔可夫决策过程（Partial Observable Markov Decision Processes，POMDP）。MDP 允许模型实现在不断变化的环境中的顺序决策，而POMDP进一步考虑到了隐藏的状态（hidden states），对于关于世界状况的主观性（不确定性）进行了建模。以上我们了解的马尔可夫决策过程，生成模型，变异贝叶斯等数学模型与方法，结合信息理论（information theory），提供了一个用于主动推理（active inference）和主动学习（active learning）的计算框架，从而我们更深入探索隐藏状态和模型参数。Philipp Schwarteneck对于主动推理（active inference）进行了详细的解释。关于大脑的理解离不开脑电图（electroencephalogram ，EEG）和功能核磁共振（functional magnetic resonance imaging, fMRI）的使用与研究。所有此类技术都具有相同的目标：很好地概述对生理数据建模的概念，构成一个相对直观的蓝图。Jakob Heinzle和Dario Schöbi分别为我们揭示了fMRI与EEG的 动态因果模型（Dynamic Causal Modeling），以及不同数据之间的区别与在计算神经病学中的应用。以上，我们讨论了多种模型。但是，给定关于系统结构和功能机制的竞争假设，哪种模型是最佳的？哪个模型代表模型拟合和模型复杂性之间的达到最佳平衡？给定哪一个模型，model evidence最大？这些问题的存在，促使我们去研究 模型的比较与选择（model comparison and selection），其中最常见的是 贝叶斯模型选择（Bayesian model selection ，BMS）。更多关于模型比较与选择的内容由Stefan Frässle介绍。

四

模型的应用案例在第四天的课程中，我们把临床精神病学与计算精神病学相结合，并利用五个不同的实际应用与研究分析，对计算方法在精神病学中作用有所了解，并且课程中给出了一系列参考文献与学习资料。

1. 扩大人类神经科学在健康和疾病领域的影响力  by Read Montague

2. 动机行动中的适应不良偏见：计算，大脑和心理病理学 by Hanneke den Ouden

3. 为什么元认知对（计算）精神病学很重要 by Steve Fleming

4. 成瘾的计算模型：评估模型和后果 by David Redish）

5. 强迫症建模：证据积累和基于模型的控制 by Voon Valerie

临床研究与计算模型的结合使得计算精神病学更吸引人。无论是理工科背景，还是神经科学或者心理学背景，只要对精神病学感兴趣，ETH主办的这门内容十分丰富的CPC都值得去学习了解一下。

希望本文对您的整个2018年CPC课程的学习有所帮助。

欢迎对计算精神病学感兴趣的您留言讨论！（本文作者：NCC lab 王海慧）

—— E N D ——

配图来自网络与CPC课程课件截图

课程详情，请点击阅读全文

长

按

关

注

南方科技大学

神经计算与控制实验室Neural Computing & Control Lab （NCC）