追问研讨会 | 我们如何建立更好的精神障碍模型？
追问按
精神疾病问题已经成为当下社会人们不得不面对的一个重要问题，根据《柳叶刀》杂志的数据显示，中国大约1.73亿人有精神疾病。在日趋庞大的患病群体面前，现有的精神疾病模型已经力有不逮。我们如何构建更精准的精神疾病模型？在这个过程中又有哪些技术可以帮助我们实现精准精神疾病模型的构建呢？
本期「TCCI追问研讨会」由南京师范大学心理学院教授胡传鹏主持，北京大学心理与认知科学学院研究员彭玉佳、中国科学院心理研究所研究员严超赣、中国科学院心理研究所研究员朱廷劭参与讨论。
以下为研讨会内容回顾，欢迎阅读。
◁ 滑动查看本期嘉宾 ◁
胡传鹏
大家好，非常感谢参加TCCI追问研讨会。精神疾病现在已经成为世界范围内的重要议题，随着整个人类经济的发展，经济的问题（在很多地区已经）不再是主要的问题，精神的问题成为了主要的问题。首先是在美国和欧洲，现在在中国也是如此。根据国内团队发表在《柳叶刀》杂志上的数据显示，在中国大约有1.7亿人受到了精神疾病的困扰。
在这么一个庞大的、受到精神疾病困扰的群体面前，我们当下的精神疾病的研究，尤其是精神疾病的理论模型是有点力不从心的，那么我们如何建构更好的精神疾病的模型，帮助我们解决精神疾病的问题，这可能是一个非常迫切的问题。在建构更好的精神疾病模型过程中，我们可能涉及哪些技术和方法，这是我们今天会讨论的内容之一。在对这个过程中一些关键问题的探索中，我们的嘉宾或者整个领域的研究者采用了不同的方法，涉及不同类型的数据。这些不同类型的数据或者多模态的数据，对精神疾病的测量、诊断、分类有什么启发，对于精神疾病的预防、治疗或者干预效果预测有什么作用，以及更加抽象地讲，这些多模态的数据如何帮助我们去理解精神疾病的原因、机理和真正的本质。我们会探讨这些问题。
我是主持人胡传鹏，现在就职于南京师范大学心理学院。我本人比较感兴趣的是元科学——metascience，就是用科学的方法对科学本身进行研究，这也是我对心理学和我作为一个心理学研究者对精神疾病非常感兴趣的一个原因，就是说我们如何来宏观地看当前的一些数据，这些数据如何帮助我们更好地理解精神疾病、帮助解决精神疾病的问题。接下来我们就进入第一个环节——主题报告，三位嘉宾将分别进行报告。
彭玉佳
我目前主要的研究主题是关于多模态数据探究焦虑及抑郁的机制。就像刚才胡老师所说的那样，目前全国乃至全世界都面临着很严重的精神疾病的问题，我们急需非常有效的诊断和治疗方法，这对整个精神疾病领域的研究都有非常大的挑战。
其中两个非常突出的问题就是异质性和共病性。对于一个精神疾病类别来说，可能包含多种标签，比如抑郁症可以包含悲伤、焦虑、失眠、自杀倾向等等标签，一个抑郁症的症状标签可能有100多种组合。也就是说同样两个抑郁症患者，他们的症状可能是完全不同的。另一个就是共病性的问题，比如说抑郁症和焦虑症就具有很高的共病性，当一个患者患有一种精神疾病的时候，他往往也有很大的概率患有另一种精神疾病，这两个突出的问题就为精神疾病的诊断和治疗带来了巨大的挑战。
在传统的研究方法之中，我们往往是使用咨询方式，看一个病人是否有在某一个维度上的精神疾病的症状，比如说符合5个标准中的3条，我们则把它归为一种精神疾病。
在2009年，美国的NIMH（The National Institute of Mental Health）提出了一种新的研究领域标准，希望能够建立一个多维的基于神经生物学标志的精神疾病诊断系统（包括从非常微观的基因到宏观的脑神经网络，再到生理及行为相关报告等维度），这就是RDoC标准，以期解决前面提到的问题中的一些问题。
我们的研究主要关注的是抑郁症和焦虑症，我们主要选取的是与这两个情绪相关的脑神经网络，并根据RDoC标准支持的几个任务来进行多维度评估，以期在多维数据上找到一些共性，从而指导焦虑症和抑郁症的诊断。
但是根据我们收集到的数据显示，这种潜在的变量只在单个任务之间存在强关联，在不同的任务之间只存在比较稀疏的和脆弱的关联，这使得我们反思RDoC标准是否存在很多的局限性和挑战性。
第二个研究则是一个纵向的追踪研究，我们想探究能不能发现抑郁和焦虑的不同症状维度，与大脑信号之间在纵向追踪角度上的关联。因为抑郁症和焦虑症有很大的共病性的问题，所以我们使用了一个潜在变量的模型，基于许多收集到的抑郁和焦虑的量表，划分出了一个三层级的模型。第一个层级代表了抑郁和焦虑共同分享一个负面情绪的系统。第二个层级则表示了分别针对抑郁症和焦虑症的两个独立的维度，包括对于抑郁症的快感缺失和对于焦虑症的这种恐惧的症状维度，我们把不同的症状维度和大脑信号之间进行了关联。纵向追踪关注的是成年早期18岁~22岁这三年左右的阶段。这个阶段也是标志着非常重大的人生事件——人生压力——发生，以及临床精神疾病发生的阶段。在这三年的追踪中，我们四次测量了这种症状的发展，也同时在基线和最终的时间点测量了脑成像的任务，这里我们使用的是恐惧条件学习任务，包括让被试习得恐惧信号和特定的视觉刺激之间的关联，以及之后这种恐惧信号的消除和对恐惧信号的回忆。我们最终发现，在把抑郁症和焦虑症的共病性和特殊性分开的这种症状维度，是可以找到在时间层面上与大脑信号的关联的。我们在恐惧也就是和焦虑最为相关的数据症状维度上，发现了和大脑前额叶在基线水平时的恐惧学习的大脑活动的关联，我们发现早期的这些被试对于威胁信号的脑活动的敏感性，可能可以预示未来三年他们焦虑相关症状的发展。第二个主要的发现是基于抑郁和焦虑共同分享的负面情绪的症状维度，以及在对于威胁信号回忆上大脑信号的关联，我们发现在三年的追踪过程中，有比较强的负面情绪增强的个体，也关联着在三年之后他们较弱的对于这种恐惧消退的记忆，这个研究整体上揭示了大脑的信号，可能有助于帮助我们预测抑郁症时间层面上症状的发展。
最后一个研究则是我们使用多模态数据指导恐惧症的治疗。恐惧症是焦虑症中最有代表性的一个疾病，它代表着对于某些特定刺激的极度恐惧。暴露疗法是一个非常有效的恐惧症治疗方法，但是它伴随着很强的负面情绪。所以我们采用解码神经反馈这种基于神经机制的治疗方法，来探究其是否可以替代传统的暴露疗法。通过探究大脑中对于特定刺激的这种脑成像的多模态的反应模式，我们可以尝试使用这种内隐的暴露，也就是强化学习，让被试内隐地学习对于这种恐惧目标的不断暴露和克服。我们首先获得这个目标的大脑反应信号，然后让被试自由地在扫描仪中诱发他们的大脑活动，通过比较他们线上的大脑活动与目标活动的相似性给予一个反馈。如果他们线上的活动与目标活动越相似，我们给予他们越多的金钱奖励。这样不断地重复，让他们尝试激活与目标这种恐惧信号相关联的大脑活动，可以避免被试者对于这种恐怖信号的暴露。另一方面不断训练他们来重复这种治疗实验。结果发现线上解码神经反馈，的确可以有效降低面对恐惧信号时的杏仁核的神经活动，以及他们皮肤电生理的恐惧信号。不过有一点不足在于，训练前后他们对于恐惧对象（蛇）的害怕程度并没有明显的改变。
我希望未来可以继续使用多模态数据，并且和脑成像的机器学习结合起来，探究抑郁症、焦虑症以及其他精神疾病的异质性和共病性，最终为患者带来一些个性化的治疗方案。最后致谢之前参与研究的合作者和研究机构。
严超赣
我主要是做抑郁症研究，所以就阐述一下如何建立更好的抑郁症模型。在这方面我们做了一些工作，并对未来研究进行了思考。我们可以看到全年龄段所有精神疾病里面，抑郁症是疾病负担最重的，发病率也是非常高的，全球有3.5亿抑郁症患者，它也有严重的后果，可能导致自杀死亡。刚才彭老师也讲到，我们现在诊断抑郁症可能都是通过医生问一些问题，包括：你最近是不是情绪低落？你是不是有快感缺失？……通过两条核心症状和五条辅助症状来判断你是不是抑郁症。这样缺乏一些生物学的客观标准的模型。
我是做脑影像出身的，所以我们可以用脑影像来直接观测大脑的活动，我们也希望脑影像在未来可以作为一个重要的模态，来帮助我们改善抑郁症的诊断或者治疗。比如说我们能不能通过脑影像知道这个人他就是抑郁症，而非双相情感障碍，不会跟其他疾病搞混。第二，他如果是抑郁症，适合什么治疗？是不是适合吃药？他如果是药物难治型，是应该用经颅磁刺激（Transcranial Magnetic Stimulation，TMS）治疗还是其他方式治疗？如果适合吃药，他适合吃什么药？我们现在传统的治疗方式是要先试药：先用5-羟色胺再摄取抑制剂（SSRI），如果不行再用去甲肾上腺素再摄取抑制剂（SNRI），或者用一些非典型的精神病类药物——所以这里有一个尝试的过程。我们能不能通过大脑扫描诊断出不同的生物亚型，明确这个人适合吃这种药，或者说直接适合用TMS。另外有没有更好的模型，通过扫描大脑之后知道大脑的异常在什么地方，这样我们就能有一个精准定位。对于病人个体化的精准位置，我们可以通过TMS这种方式来进行精准的治疗和刺激，改善我们的治疗效果。
在这方面我们实验室做了一些工作。我们比较关注大脑的默认网络，因为默认网络是大脑的一个重要的网络，它是大脑网络里消耗能量最多的。我们关注默认网络的另一个原因是抑郁症有一个常见的思维模式，就是反刍思维，即反复地在想为什么受伤的总是我，对过去的悲伤事件本身以及原因和后果反复咀嚼。默认网络跟反刍思维有很大的关系，之前的研究瓶颈就在于抑郁症默认网络研究结果不一致，机制不太清楚。我是做脑影像出身的，所以我们要做一些改善脑影像的方法，提高结果的准确性；还要开展大数据分析，提高结果的可重复性。
我们也要揭示认知心理模式，明确抑郁症的默认网络机制研究。所以最早我们围绕这个核心问题开展了很多脑影像方法学研究，探索了抑郁症默认网络异常模式，并且最近在进一步研究抑郁症的心理认知机制。未来希望能够建立更好的模型，来帮助我们更好地辅助诊断抑郁症，或者分型，或者能够更好地用TMS精准定位，更好地治疗抑郁症患者。
方法学的研究我就不细讲了，可能有一些同学也在用我们的方法或者软件。脑影像存在很多挑战，我们也把它整合到我们的软件里面，包括我们的DPARSF、DPABI。在这些软件的工作基础上面，我们开发了多中心大数据协作平台DPABI，各个参与单位不需要把原始数据共享出来，而只要使用我们的多数据多中心大数据协作平台，在本地用标准化的参数处理数据，把最后的结果共享出来。这样原始数据不出医院，保证了安全性，我们也能够做多重性大数据的结合性研究。这是我们的方法被应用的情况。
有了这么一个平台，我们就发起了抑郁症脑影像大数据联盟，国内的很多精神科医院都参与了。他们用我们的软件在本地处理数据，然后把最终的结果共享出来，所以我们现在是世界上最大的抑郁症脑功能影像数据库。我们已经发表并公开共享了第一期的数据。最近我们已经关闭了第二期的数据共享，已经有很多的数据，我们相信明年也会有重要的文章出来。
有了脑影像大数据，再加上方法学的成果，就可以得到可重复性高的研究结果，例如我们发现抑郁症患者的默认网络功能连接是降低的，这解决了一些争论，为揭示抑郁症默认网络机制奠定了基础，该研究结果发表在了PNAS上。我们要进一步探讨，默认网络或者大脑功能连接的功能连接降低，但整个大脑的通信效率是什么情况。我们发现局部效率和全局效率都有显著降低的情况，所以这也是我们基于联盟的大数据的一些发现。最重要的是，我们联盟累积的第一期大数据，也是按照胡传鹏博士一直在推崇的开放科学进行的，我们也在推崇抑郁症大数据研究领域的开放科学。
现在国际上已经有200多个团队申请对我们的数据进行使用、分析。现在基于我们抑郁症脑影像联盟的大数据，已经发表了10多篇论文，包括联盟内的论文，也包括联盟外的论文。所以大家如果对抑郁症的脑影像研究感兴趣，欢迎来使用我们的抑郁症脑影像大数据。
看到了抑郁症患者默认网络降低的模式，我们进一步就在想，为什么是这样？通常大家研究都会用静息态来研究。但是静息态有一些问题，我们不知道被试到底在想什么，他有的时候可能在回忆过去，有的时候可能在计划未来，有的时候可能就是在睡觉。我们因此想用一些更精细控制的方式。我们开发了一些反刍思维任务的方式，因为抑郁症患者的重要症状就是反刍思维——老是陷入为什么受伤的总是我，他自己也知道我不要这样想就好了，但他大脑的循环让他陷入在里面出不来。
所以我们开发了一些反刍思维的任务态方式，跟静息态比较接近，但是又是比较简便易行的任务态范式。我发现被试反刍思维的认知心理过程，是关于过去的、悲伤的、负性的、关于自我的言语性思维。
当然我们更关注的是被试大脑活动的情况，我们把大脑的默认网络分成负责自我的核心子系统，负责过去的内侧颞叶子系统和负责现在的背内侧前额叶子系统。我们发现在反刍思维的时候，核心子系统和负责过去的内侧颞叶子系统的功能连接上升，也就是我们在反刍的时候过度关注过去，而跟现在相关的DMPFC系统的功能连接降低，也就不能充分的关注当下。所以大家经常说我们要少想过去，要关注当下，也许能从大脑上找到一些证据。
所以我们在想，如果我们的核心子系统和背内侧前额叶子系统不再有功能连接降低，不能充分地关注当下，我们就会陷入抑郁反刍思维里。因为背内侧前额叶子系统，它是位于进入自刺激TMS可达到的区域，所以我们就在想用TMS来精准刺激每个被试的靶区，然后改善我们的治疗效果，这是我们未来要展开的工作。
我们目前是在探索抑郁症默认网络机制，未来还将开展抑郁症的辅助分型和辅助治疗的工作。刚才彭玉佳老师已经介绍了，抑郁症是一种异质性非常高的疾病，可能情感几个症状或者认知几个症状或躯体几个症状随便组合一下都是抑郁症，所以可能就有好几千种不同的组合。但这种异质性特别大，所以在治疗上面我们除了根据症状来分类，能不能通过大脑模式进行一些生物亚型的判断。如果有生物亚型，知道它适合单通道药物还是适合双通道药物，抑或适合经颅磁刺激，那么我们就能有更好的治疗效果。
第二个问题是即使我们知道了病人适合TMS来治疗，但是刺激哪里？在医院常用的是找到运动区，往前找5厘米，在背外侧前额叶区域进行刺激。这种手段非常粗糙。我们希望能够做到个体化，每个人都有个体化的靶点脑区，这样就可以更好地达到治疗效果。但难点是怎么样更好地定位，未来我们希望通过大数据深度学习来做辅助分型和靶点定位。
在分型上面，我们联盟已经在做第二轮大数据的征集，我们在默认网络的亚型上面已经有些预先的工作，当然这是进一步为了做到通过脑影像对抑郁症患者进行更好地诊断和分型，然后找到适合的治疗方式。
另外一个方面，我们希望找到最大值的靶区，获得精准定位。我们实验室已经合作建立了TMS机器人，只要我们告诉它该刺激哪个精准的位置，这个机械臂就会自动把TMS的线圈移动到要刺激的地方，进行精准的刺激，即使头偏了也可以自动跟踪。当然如果要刺激新的靶点，它也可以有相应的设定和调整。我们明年会招募抑郁症患者来做临床测试。
另外谈到多模态，除了脑影像之外，我们实验室也很感兴趣被试在静息态时想什么。现在我们在做的一些工作，就是要他们在静息态下把大脑的自发思维报告出来，我们在《Behavior Research Method》发表了一项研究，患者随机地在静态下胡思乱想，我们把Ta的语言录下来变成文本，然后通过一些自然语言处理分析这些文本，以预测他们抑郁的倾向。当然这个工作还很初步，我们未来想通过他们在磁共振下面的说话，将磁共振下面自发的思维内容和他们的脑活动结合起来。我们还会采集一些日常的汇报信息、可穿戴设备记录的皮温和步态等数据，以及一些行为数据，希望这些多模态能够更好地推动研究进展。
朱廷劭
我们主要是利用多模态的行为数据做心理识别，包括心理健康或者是抑郁症。我其实不是学心理学的，是完全学计算机的，但是我感觉在日常生活中的行为数据和心理数据关系非常密切，这两者可能有着非常强的映射关系，行为可以反映心理，心理又是行为的动因。
其实在日常生活中，我们也会有这种体会，比如我们可以通过商场行为路线图，去大概判断人们的性别。再进一步问的话，如果这个行为路线是两个男人的，如果我们还要控制变量，比如假设他们有相同的预算，需要购买一件价格相近的商品，这种情况下通过这两种的行为轨迹，我们可以大概判断出这两人的性格怎么样。其实我们并没有对他们做任何的拍照或者获取其他个人信息，而是完全根据他们的一些行为表现来做出判断。也就是说，心理特征不同会导致行为上的差异。如果可以通过不同的方式获取到行为数据，找到行为数据中的一些细微差异，我们其实可以把他们的心理区分开来。这就是用机器学习做心理识别的一个大概思路。我们日常做的传统测量是有量表的，通过量表，然后通过积分最后得到新的指标。
其实还有另外一种做法，可以通过各种设备采集到行为数据，通过行为数据加上机器学习的方法去对心理指标做自动识别，这样一个流程也可以实现对心理指标的一个测量。并且我们觉得这种测量方法的一些生态效率比较高，时效性比较好，有的时候可能有更大的优势。
下面我就大概介绍一下我们在这方面做的一些工作。首先我们做的是文本分析，因为文本其实也是一种行为的留痕，比如说在网上我们发的帖子、发到微博的内容。我们也可以通过对文本的数据分析，实现对心理指标的识别。我们做的比较早的就是通过微博数据去实现对微博用户的人格的自动识别，现在这个大概识别结果我们觉得能达到比较好的效果，可以通过微博内容的分析，自动识别出用户的人格特征，再扩展还可以识别出心理健康指标以及其他心理指标。
我们在自杀干预里面也用了这样的方法。因为传统的自杀干预比较依赖于有自杀意念的用户主动求助，但是主动求助率比较低，所以我们就想有没有可能通过机器学习的方法，通过对文本的分析，在网上自动找出一些自杀意念，找到那些有自杀意念的用户，然后主动提供帮助。这个过程也是用机器学习，通过对微博文本的分析，映射到自杀意念。自杀意念的精度可以达到85%，我们现在也正在准备和一些互联网公司开展合作，希望能够把自杀的早期识别或者监测真正用起来。除此之外，我们也会用到音、视频数据，以及体感数据。我们还可以对面部的数据做实时的跟踪。行为指标数量化的一个效果就是，如果我们能够拿到一个用户在视频中的行为，就可以把他的行为数据变成一个关键节，也就是说我们可以把用户在视频中的行为数据用25个关节点在三维空间中的时序数据去表示，这样就可以把行为量化。
行为量化之后我们可以做很多的分析。我们首先做的是一种步态分析。步态数据分析方法的一个好处就是让用户在自然状态下行走就可以。
我们设了一个6米的步道，然后让被试在步道来回走（前后都有摄像头拍），并记录下Ta在步道上走路的步态信息，这个步态分析处理就是信号处理和集成处理，从原始数据处理到清理，然后再到视频预测中的提取再建模。对结果我们也做了一系列的分析，结果的精度可以校标到0.6以上，好的话可以到0.7以上，基本上达到强相关了。所以利用步态数据去实现对抑郁和焦虑的识别是可行的。我们也做了睡眠质量的预测，可以到0.4以上，比较好的可以到0.7以上，0.77~0.78。
我们也做了抑郁症的识别，就是不同用户，比如说抑郁症用户和健康的用户走路的步态差异，我们对此也做了一个比较，从敏感性和特异性的结果来看。
除此之外我们也做了面部的识别。通过分析人们看不同视频时的面部变化，去识别出不同人的一些心理特点。我们做了对S90的一些精神病性的自动识别，也能达到比较好的效果，就是说我们可以完全在自然状态下，通过各种音、视频设备去捕捉用户的行为，识别出一些心理指标和精神状态。
除此之外，大家日常生活中其实用得比较多的是语音数据，这个语音数据不是语音识别之后的文本，而是直接做音频，因为音频具有跨文化的一致性。如果是翻译的话，有时候可能会受到口音的影响，我们利用音频数据做抑郁症和躯体性疾病（患者）的差别预测，F值可以达到75%以上。
除此之外也做了共病的抑郁症患者识别，我也做了一些不同条件下，比如说是正性文本、负性文本和中性文本的，以及这种协变量的影响，我们想去除协变量对这个音频识别模型的影响，以及不同条件下（对抑郁症）的分类识别效果。
除此之外我们也利用声纹，就是i-vector。声纹其实就是一种深度学习，做到一种特征学习。特征学习可能可以提高声纹识别抑郁症的一个效果。
我们目前正在进一步做的是想找到利用音频识别抑郁症的生物学基础，也就是说为什么可以用音频去识别抑郁症，现在做的一个思路是通过基因的激发式分析，然后结合i-vector，我们想找出来能够对音频变化和抑郁症具有共同影响的基因组，通过这种基因组的发现，就可以找到用音频去识别抑郁症的生物学基础，从目前的结果来看还比较理想的。后期如果能够找到这种生物基础，就能够研究怎么去提高音频的识别效率。
总的来说我们的主要工作其实就是通过各种各样的设备，在自然状态下获取用户的行为数据。通过用户的行为数据，利用机器学习的方法，就是所谓的多模态行为数据，可以对抑郁症患者的一些真正状态包括心理指标，做自动化识别，这样就可以为辅助诊断以及治疗过程中的状态监测提供非常好的基础。
Q
我先问一个问题。我刚刚在听到三位嘉宾报告的时候发现，大家都会讲到测量，比如彭老师是讲RDoC，严老师是讲用大脑数据对抑郁症进行测量分析，朱老师也涉及多模态的行为数据。其实这些都可以回到一个问题：多模态的数据最终反映的是不是同一个东西？各位嘉宾都涉及多模态的数据，那么各个模态之间的数据测量的是什么？
彭玉佳
我觉得这是一个特别好，也特别重要的问题。我们在做RDoC研究的时候也一直在思考，有很多维度的数据，每个维度都可能可以通过机器学习来诊断、预测精神疾病的发生和发展，但是每一个维度在不同的情况下记录下来的，似乎又反映着不同的功能、不同的状态下的这种信号。所以我个人的感觉是，它们都是围绕着一个大的主题——个体的某一些精神、行为、身体的特征，但是在现有的一些数据记录的手段，或者是这种精确可重复测量的这种维度上，可能还没有达到我们现在预期的一种水平。所以这导致在我们的RDoC研究之中，也发现虽然是围绕着同一个主题进行的设计，不同的实验却没有办法达到我们预期的一致性。我也非常想听听严老师和朱老师的意见，你们的研究基本上已经涵盖了脑神经机制和行为、身体等各方面的这种大数据，有没有办法把它们结合起来，带来一个更加一致性、更加全面的这种数据库来诊断精神疾病？
严超赣
我想是这样的：我们现在说的多模态，从每个模态都可以测量到一些东西，也许研究精神疾病就像盲人摸象一样，有的人摸到了耳朵，有的人摸到了腿，有的人摸到了鼻子，综合起来是我们的大象，也就是不同的模态综合起来才是真的抑郁症。但其实对于单个模态，如果找到了精髓，比如说你找到了象鼻子，不管它的耳朵或者腿是怎么样，只要查它的鼻子，它的鼻子是象鼻子，我们就知道这是大象。
所以对于我们研究抑郁症来说，如果你那个模态就像鼻子一样，可以做一个金标准来做，那么可能就足够了。当然我们也更希望结合别的一些模态，更好地理解它的机制，比如说大象为什么要长这样的鼻子，可能跟它的腿、身高、要喝水这些都有关系。要理解机制可能要结合其他模态的数据。所以对我们来说，第一个目标就是我们能不能找到一些这样的金标准，不管你是什么模态的，都能把抑郁症很好地诊断好。
第二，我们再来联合别的模态来思考。比如说我的切入点是脑影像，我们知道各种行为都是受大脑支配的，无论是步态也好，声纹也好，或者眼动也好，本质上是大脑产生很多信号来驱动的。所以我们通过研究大脑的信号，有可能找到一些比较根本性的东西。当然能不能找到，未来还需要更多的探索。我们研究组现在可能更超越于传统的脑影像，因为传统的结构成像或者静息态可能还是不够好，所以我们开发了更纯粹一点的反刍思维成像。
我们觉得这还是不够好，我们还是不知道人们在想什么。所以现在我们又开发了一种新的范式，叫think aloud——你大脑里面想到什么，就要把它说出来。我们已经采集了很多这样的数据，结果也很有意思。这就是说，我们不仅知道你大脑进行的活动，它的功能模式是什么，我们还知道驱动这些活动的、你背后这个思想到底是什么。我们实验室会探索人类的高阶思维：大脑在静息态时，到底在想什么？
这是我们探索的一个角度。我们现在也探索患者说的话。说话就会涉及刚才朱廷劭老师介绍的声纹，我们也会有录音，会有很多音频特征。但我们课题组更感兴趣的不是音频特征，而是他到底在想什么。所以我们就需要把他说出的话转录成语言，然后分析这些文本的特征——到底他们说的话有什么特点，是不是特别的“粘着”——想来想去总是在想同一件事。我们发现粘着跟反刍思维很有关系，未来想看看能不能鉴别出抑郁症患者和正常人的对照。我们希望从这样的一些角度出发，未来还招募抑郁症患者并采集更多数据。我们会让被试戴我们同事开发的手环，每天都按照我们的SQL方法来报告“今天我在报告的10分钟内想什么”，然后以当前的状态回答一个简单的问卷，这样我们就会有更丰富的证据。也许未来我们实验室会在多模态这块走得更远一些。
朱廷劭
我的工作是数据分析，因为我是纯计算机背景的，所以从我的角度来讲，我就是完全的数据分析。数据分析的一个问题就是，它其实很多时候都是相关分析，做不到因果分析。
我们也遇到一个问题：为什么可以用音频识别抑郁症？为什么可以用步态识别抑郁症？会不会是因为一些协变量的影响，也就是说其实我们识别的有可能不是抑郁症与否，而是另外一个变量，只不过变量的分布和抑郁症的分布一样，也可能因为我们的采样有偏差，所以我们就想转向基因或者脑科学方面的机制。
但是从我们自己做的角度来讲，采取多模态数据，主要是想找到一些行为细节，这些行为细节可以把抑郁症患者和健康的人区分开，只要能区分开其实就可以了。现在的机器学习，其实并不是研究因果关系或者某种影响关系，就是一个数据的区分，只要能够找到足够多的特征的组合，能够把它区分开就好了。但这也是为什么现在很多人诟病于机器学习，就是也许你的模型是比较好的，能达到90%以上的精度，但是你不知道这个模型到底怎么回事。所以我觉得从建模的角度来讲，很多时候我们最大的担心不是多模态的组合，是说有些心理指标可能在某种模态下表现更充分一些，因为是记录他的外显行为；那么有些心理指标、精神状态指标，在某种情况下可能通过某种方式诱发他的行为表现更明显，这样对我们来讲行为捕捉就更方便。有的时候并不是模态越多精度就越高，模态多反而会有噪音，毕竟采数据做不到这么精细。
Q
我们知道，医生的诊断现在还是DSM或者相关的标准，我们研究者提到的这些黄金标准或者好的预测标准，跟临床的标准到底应该是什么样的关系？
另外，患者的自我报告是否也有很强的相关性？我们心理学也有些研究发现，其实有些东西是没法报告的，这部分东西它重不重要呢？
严超赣
我来回答一下。首先，我们有没有找到象鼻子，我的回答是应该是没有，如果有的话各大医院应该都在用了，就不用去问病人那些问题，所以现在是没有。我们都希望能够找到，但是能不能找到实际上涉及几个比较大的问题。第一，抑郁症是不是一种疾病，还是好多种疾病混在一块？或者它跟别的很多疾病有交叉混淆在一块？哲学上面，它是不是一种可以被识别出来的单一疾病，这可能是一个问题。第二，我们现在做数据处理也好，分析也好，都依赖于医生给的标签，但医生给的标签准不准，实际上医生互相之间的标签也没那么准，特别是对很多抑郁症患者的诊断后来都会改为双相，有的甚至会改为精分。
所以我们训练模型的时候，依赖的标签本来就不那么准的情况下，如果医生的标签的准确率只有80%甚至70%，训练能达到90%是不可能的。所以有这些因素的存在，目前我们还没有办法找到象鼻子那样的金标准。但我们在尝试结合各种手段，例如脑影像以及RDoC，来推动DSM的改革。通过我们的研究，可能会反过来帮助医生改变一些诊断模式，这也是未来可期的一些进展。
另外一个问题就是你提到，我实验室现在试图让被试汇报出来当时的想法，那么他没有汇报出来的那些重不重要？我觉得也很重要，但是目前来说没有很好的研究方式。也许我们可以结合一些多模态同步的脑电或皮电来进入被试的情绪状态，但如果我们能把他汇报出来的想法先研究透彻，应该就已经一个很大的进步了。
彭玉佳
我就接着严老师的发言简单地说一说我的看法。我个人觉得，个人的汇报，包括医生的诊断，还有我们刚才讨论的很多多模态的数据，其实是相辅相成的两个维度。一方面，我们之前的研究也发现，个人的汇报和很多大脑的数据不完全一致，甚至在大脑的数据已经改变的基础上，包括生理信号改变的基础上，一个人的主观的汇报，比如说对于恐惧目标的这种害怕的程度，它是不会改变的。
所以一方面我感觉这种口头的、临床的咨询或者医生的诊断，可能会被主观偏差所影响，不完全准确。但同时在另一方面它也是仍然有意义的，可以指导我们来学习一些神经生物学的标志。通过学习这种标志，可能可以反过来再引导我们推测对于主观报告的一些准确性。
所以我个人是乐观地希望在未来的研究之中，两者能够相辅相成，互相地推动彼此的这种准确性和探测，包括像严老师说的通过think aloud的方法来使用大脑信号，甚至可以推测出他们没有报告的东西。也许这样可以从双方向共同推进精神疾病的诊断。
朱廷劭
我觉得目前做的这些研究，其实都是以医生的诊断作为金标准，也就是说我们尽量模拟医生的诊断。我们目前做的工作就是在现有条件下能够最大程度地拟合那些经验丰富的医生，我们相信他们的判断是准确的，我们能够做到他们的程度。从目前的角度来看，从我们接触的情况来看误诊几乎很少，比较多的是漏诊。现在建立模型很多时候不是为了解决误诊的问题。我们觉得做系统不管是多模态还是单模态，不可能一方面向医生学习，一方面又要去砸医生的饭碗。现在只是给他们提供一些辅助作用，我觉得这就够了。
当然我们从纯粹研究的角度来讨论，比方说刚刚一位老师提到医生的诊断之间是否会有不一致的，从我自己读到的论文，很多测量抑郁症的不管是自我报告也好还是其他，它们相互之间也是不一致的，具有异质性。
这就是回答了严老师说到的一个哲学问题，抑郁症到底是不是一个能够被识别的、单一的疾病或者说它是一个症状。如果能够识别抑郁症，它是不是应该早就被找出来了？此外，它到底是由主观识别，还是由客观判别，比方说彭老师提到一些客观的生理的指标已经改变了，但是主观的标准还没有变，这个时候抑郁症到底是好了还是没有好，还是介于两者之间？
我想请各位嘉宾对这样带点哲学的问题，发表一下自己的看法，您觉得怎么去建立一个更好的关于精神疾病的测量模型或者诊断模型。
严超赣
我想玄乎的问题就用玄乎的回答。首先第一点，不管他诊断正不正确，不管黑猫白猫抓住老鼠就是好猫，不管它是抑郁还是双相，假如说我们能治好它，我不管它的标签是什么。所以我们实验室现在往前走一步就不那么纠结我的诊断有没有那么的正确，而是说我的诊断能不能帮助治疗。比如病人适合吃药，或者适合TMS，或者TMS能够找到他的靶点、能够改善他的治疗，或者通过心理治疗之后能够好。所以我们现在已经慢慢对哲学问题不那么纠结了。
Q
您的好的标准是什么？
严超赣
好的标准很简单。比如说这个人原来要自杀，现在不自杀了，原来的不管你认不认可汉密顿抑郁量表（Hamilton Depression Scale，HAMD），只要他回答了痛苦减轻了，我觉得这是一个很好的标准，HAMD不管说客不客观，但是他回答原来HAMD得分很高（代表抑郁程度高），现在得分很低，他的生活质量提高了很多，我们觉得这是很好的标准。
这是我们实验室最近为什么关注心理治疗、关注TMS治疗的一个重要原因，就是说诊断，有的人甚至不承认精神疾病是一种病，但我认为反正他们会自杀，会有很严重的问题，他们的生活质量不好，不管你称之为抑郁症也好，还是称之为别的病也好，只要我们有办法让他们变得更好，生活质量能够更高。那么不管我用了什么诊断标准，用了什么手段，只要能帮助他们有更好的生活，我觉得我们的研究就是有价值的。
彭玉佳
我觉得严老师说的挺有意思的，我之前也一直在思考精神疾病的诊断或者标签到底有没有那么重要，一方面标签会给我们带来很大的压力，包括疾病污名化（stigmatization）。当一个人被贴上了标签之后，别人对他的看法可能都会不一样，是不是应该完全抛弃这样的标签；二是从症状的维度，比如说之前提到的快感缺失或者反刍思维，仅仅是从这种特殊的某一个维度入手，找寻治疗的方法，我觉得也是一种可能性，但是在现有的阶段完全抛弃这种类别可能还不太现实。
一方面对于临床和科研的角度，我们还需要这种标准化的框架存在，否则大家都不知道自己在研究什么。然后另一个方向就是关于严老师刚才提到的这种治疗的效果，我也有一点追问，您说到怎样是一个评判患者好起来的标志，可以通过一些患者反馈的感觉，即不那么想自杀了，或是患者的愉悦程度有所提高来评价。
但是我有一点担心，就是关于安慰剂效应（placebo effect），是不是在经过治疗之后，患者自己的感觉并不是那么客观，而只是经过了一段时间的帮助，患者就会觉得自己变好了。这也是之前我们发现这种生理信号和主观报告信号不一致，到底应该如何来解决这种“变好了”的测量标准，是不是还是要进一步地从生物学的基础来进行评价，与此同时稍微忽视一些主观层面上的反馈呢？
严超赣
在我们的设计上面，治疗前是用到影像的扫描，治疗后也有脑影像的，包括在治疗过程中他们也要连续8周戴手环，这也许是除了他们主观报告外的一些客观的标准。
另外我们还有刚才说的think aloud的主观报告跟我们主观报告问卷还不太一样，主观报告问卷是你问他现在有更开心吗？或者现在有更不想自杀吗？我们的think aloud是不管你现在的自然状态——你的静息态，也就是说不给你任何任务，你现在大脑里面想什么？
那么这个报告出来，在经过我们的治疗之后，也许他的自然而然的想法就已经改变了，就不再那么繁重，那么在一样的事情、特别负性的事情上面钻牛角尖，会有更多的灵活性，所以这些是我们研究的标准，我们也希望看到我们治疗前后的不同。另外你说的安慰剂效应，对此，我们做的TMS治疗是包含伪刺激的，由此可发现安慰剂效应。
第二个其实我个人觉得如果有很好的安慰剂效应也很好，只要这些病人来了，他们觉得自己被治好了，不管是否真的治好了，还是“吓”好了，那也是有点帮助的。
Q
严老师提出了一个非常有趣的也可能非常实用的一个观点，就是我们“不管黑猫白猫，抓到老鼠就是好猫”，现在不管怎么样，先把“象鼻子”找到，然后怎么去干预，怎么让大家变得变好，对于这个问题，我不知道朱老师是怎么想的，您是不是也是跟严老师这样类似的这种思维，还是有不一样的观点？
朱廷劭
我们曾经去过回龙观医院，然后我们进去之后发现精神病医院是封闭化管理，工作人员在我们进去之前开门，进去之后立即关门。精神病人他们在一起生活很快乐，所以我一直是感觉可能他们生活在跟我们不同的世界，我们给他们打个标签说他们是精神病患者，其实可能从他们的角度来看，我们才是患者。对于精神疾病的治疗可能很痛苦，基本上就是换药，这轮药物不行再换一轮，我无法断言这样的治疗好不好。但是我觉得我们对他们的认知可能并不是那么的全面。
除此之外，因为我们一直在做线上的自杀干预，所以有的时候我们觉得，自杀干预真的能达到效果吗？好像不是特别乐观。尤其是那些自杀未遂者，最后自杀的可能性非常高，属于高危人群。当然现在的社会规范可能就是这样，我们大多数人制定的一个规则是对大多数人有效的，我们还得在这个规则之下去做。
现在的一个主要思路是希望能够把干预尽量前移，因为重症抑郁症的话基本上就吃药，并且最后重症抑郁症的死亡自杀率大概20%~30%，然后如果一个人真的采取了自杀行为的话，那么第一次不成功，选择再次自杀的概率非常高。与其到了那么严重的程度才去干预（而且效果还有限），我认为应该尽量早期干预，在患者遇到一些问题的时候、不知道该怎么处理的时候，我们的干预越早越好，可能可以帮助他解决问题。
严超赣
朱老师早期干预这个想法特别的好，但我在想早期干预该怎么干预呢？假如我觉得我现在就要抑郁了，您准备怎么或者我自己可以怎样干预我自己？
朱廷劭
抑郁的话，我认为它是一种精神的表现。我认为一个人不会平白无故就抑郁的，他可能在生活中遇到一些问题，比如说工作、就业、学习、婚恋等具体问题，表现为抑郁，这种情况之下，药物治疗不解决根源问题。所以我们就想，如果早期患者有些情绪不稳定，或许应该给他提供一些解决问题的方法，来解决他的情绪问题。
现在可能在学生群体中自杀问题比较严重，他们可能还没有这种精神疾病的概念。如果一定要说是精神疾病，那可能就有点问题了，其实他们是在成长过程中遇到 了一些问题，不知道该怎么解决，如果这个时候我们去提供一些帮助的话，不是把他们当成一个病人来看待，那或许可以帮他解决问题。所以我们现在的思路是这样的，不是说一定要识别出它是抑郁症的早期，抑郁症的早期不太好界定，因为我们以前参加过项目，大家都认为急诊室的医护可能是高危人群，结果发现急诊室的医护精神健康状况良好。所以有的时候我们不能想当然，很多时候个体差异太大，对抑郁症、精神疾病这一块，从目前的治疗结果来看，比较悲观。如果能够在早期、尚未发展到重型的时候，能够及时提供一些帮助，可能效果就会更好一点。
Q
谢谢朱老师。刚刚我们的聊天框里有很多观众说朱老师的观点是非常福柯式的，即受到社会文化影响很大；另外也有老师赞同说精神疾病患者大脑中其实不一定有器质性的变化，但是可能会有心理上的困扰。
朱老师也提到了一个我也想问的问题，就是作为心理学的研究者，我们其实关注的还是个体，在实验室环境中，让个体做一个任务，扫描一下大脑或者对他进行精神的刺激等。但是朱老师的这个案例里面提到家庭的观点，也就是社会环境。我们现在的模型其实基本上都没有加入它，至少在很多病例的模型里没有加入。那么加入这种社会性的因素之后有没有可能增加预测、诊断或者治疗的效果？
朱廷劭
我们现在正在研究基因，我们跟基因研究的人聊，他们就觉得很诧异，说你们做这个音频已经很好了，为什么还要搞基因？
因为基因对模型的贡献率大概20%~30%，可能贡献比较微弱。基因的话就只有易感基因，所以现在做基因精准预测基本上都不太靠谱。但是我觉得基因是一个基础，更重要的可能是环境，尤其成长环境，包括社会家庭环境，但是这种环境确实不好记录，因为你不可能天天观测。所以现在我们接触到很多项目，比如说学校的一些项目，就希望能够对学生的心理健康或心理危机做一个预警，我们就觉得这个比较费劲，因为学生在学校里待的时间毕竟有限，我们其实很难获得他们在家庭里的数据，也很难去获得他们在社会环境中的数据。所以我们就想能不能通过一些社交网络的环境，去了解他们周围的社会环境，包括家庭亲子关系，还有同伴关系，其实我觉得有时候很重要，尤其是对未成年人。我们很多家长认为他们的任务就学习，其实他也是生活在一个小社会里面，有的时候他们由于经验不足，遇到问题不知道该怎么解决，由此可能采取一些极端的行为。
如果能够在早期发现由于一些问题所表现出来的心理健康方面的不良反应，再去了解他们遇到的问题，针对问题提供一些解决方案，可能会有所帮助。当然，对于重症抑郁症，那就是另外一说了。所以我感觉它是一个环境的影响，我们如果能够通过——尤其现在有各种各样的电子设备，数据记录更方便一些，这样可能会有些帮助。我是这么感觉。
彭玉佳
我觉得这个问题特别有意义。除了这种对于当前阶段的不同的数据来检测精神疾病之外，其实RDoC理论也已经在它的框架之中包含了这种环境因素，比如说家庭和早期的一些童年的经历，我觉得这个是在整个精神疾病中缺失的尤其重要的一个部分。
在我之前参与的研究之中也会涉及对于童年早期创伤的一些研究，我觉得虽然是一种追溯到十几年前的一种主观报告，不是很精确，但它仍然可以预示着一些未来精神疾病的发生和发展。
我个人也有一些问题。之后如果有时间想问两位老师，关于这种纵向的追踪，您是怎么看的？
比如说做一个三年的追踪就已经非常的不容易，如何能够实现更加早期的这种长时程的研究？比如说我想从5岁左右就来预测未来的很多对于压力和刺激的这种易感性，有没有实现的可能？然后再回到刚才的讨论问题，我觉得基于现在很多的手机的软件以及可穿戴设备，未来可能有机会实现对于青少年在学校期间接触到的人际压力、学业压力和家庭压力的记录和分享，虽然可能涉及一些保密性的问题，但我觉得有可能可以通过数据挖掘和这种多维数据的记录，来实现对于青少年的帮助和精神疾病的早期的诊断干预。以上就是我的一些思路。
严超赣
我也简单表达一下我的观点。因为刚才朱老师的观点比较有特点，我们科学家可能有不同的层面，有不同的看法，我的有些观点跟朱老师是有些差异的。对于抑郁症本身疾病的看法，朱老师认为可能很多患者都是由于有这种后天的生活重大事件解决不了，但实际上我们看见很多抑郁症患者，可能在当前并没有那么显著的打击性事件，有可能是先天的易感性，或者说刚才彭老师提到的一些生活事件可能是早期的事件，儿童期受到了创伤，所以很多抑郁症患者是有儿童期创伤的，是儿童期过来的，而不是当前有一个很难解决的问题。
但对于这些患者来说，他并不是当前有个紧迫的问题急需解决，压着他抑郁，但是这样的患者在服药上面我持开放的态度，我觉得有病了，吃药也是挺好的，如果吃了药之后能让你不自杀，能让你社会功能正常，这是很好的。所以最近央视的6集纪录片《我们如何对抗抑郁》，如果听众感兴趣可以去好好看一看，看看这6集纪录片里面怎么阐述抑郁的原因、后果，我们应该怎么看待它，是不是应该吃药，应该怎么面对它？
第二个问题就是刚才彭老师说的长期追踪。我们现在要做的一个计划是设计成10年追踪的。那么第一件事情不是去找抑郁症患者，而是先去找心理咨询师，先组建一支心理咨询师团队。我们组建了一个大概二三十人的心理咨询师团队，然后做心理咨询的干预研究，然后在这个基础上来设计长达10年的追踪，我觉得这个可能性就可能更高了，所以这是我们做的十年的追踪的可行性，是先绕了一个弯路，绕了很远才开始走。
第二个你说5岁就要跟踪，那只能加入一些大的计划，比如中国马上要启动的儿童脑计划，儿童脑子发育，它要做儿童的长期跟踪，当然这个成本非常高，你可能要跟踪10万人，最后才会比如说有几千人发展成那种精神疾病，所以成本非常的高，所以就必须加入国家的大计划才能达成。你5岁开始追踪，追踪20年，然后看他成年了，现在抑不抑郁倒回去看他5岁的时候是什么样。所以可能要加入这样的一些计划，这是一些基本的想法。
Q
谢谢三位老师的精彩发言，其实我觉得在刚刚几位老师讨论里面，又触及到另外一个或者说科学研究涉及两个思路的问题，即到底是预测模型更好，还是理解模型更好。但是很遗憾，我们今天没有时间继续讨论了，希望下次还有机会再一起来进行讨论。还有几分钟时间就回答一下听众的一些问题。有人提问了针对严老师的think aloud的方式的一个技术细节的问题：如何控制头动，可以跟我们解释一下吗？
严超赣
因为我们think aloud的方式是会告诉被试尽量保持头不动，然后也有在额头上面绑一个胶带，可以很好地减轻头动。目前我们采用了这样一些策略，至少采回来的think alond的数据活动是满足要求的，但是确实比静息态头动要显著地更高一些，这是要承认的。只不过我们觉得这个头动也没有那么大，因为它还是质量很高的那种成像数据。不过当然评论者肯定会问头动的这个问题，我们后面要好好调整。
Q
还有一个也是关于严老师的研究的问题，前后测是大脑的静息态，手环是外周信号，它们测的内容和脑的数据之间的关系是什么？
严超赣
我们手环测的信息其实也挺多的，第一，心率变异性、皮电，这些都跟我们紧张情绪有关系的，还有包括它是有加速度的测量的，所以我们就可以知道被试的睡眠情况怎么样。我们知道他的睡眠情况，治疗前后再结合他的大脑影像，就增加了很多我们问不出来的维度跟大脑的关系，当然这个研究正在推进，会是什么结果我们不知道，但是我们先得有高质量的数据，然后再做这个方面的工作。
Q
直播间有个问题：我们现在说的可能都是叫做城市中心主义，就是说我们现在所了解的、所谈的包括研究对象，绝大部分都是针对居住在城市里面的、并且能够及时获得医院治疗的，能够到我们大学、研究机构参与研究的居民。那么，农村的患者是不是完全被排斥在话语之外了，不知道几位老师对此有什么看法？
严超赣
这一部分的患者流调数据实际上是有覆盖的。北大六院的全国精神卫生调查，他们在设计抽样的时候是抽了这一部分，但是他们大脑的活动确实比较难，就像儿童脑计划就花了很大的力气，不能只采北京、上海的儿童，还要去采比如说贵州、广西这样的边远山区的儿童。但是说农村或者弱势群体的抑郁症，我们最近有国家的脑计划，国家脑计划里面有抑郁症的项目，这里面也包括比较边远一点的医院，我想有可能会收集到一些来自农村的，也有可能最多的还是边远城市的，但我想可能也会有边远的农村的，当然怎么更好地关注农村的抑郁症问题，确实整个国家需要考虑的，我们科研力量确实很难很好地赶上。当然我们希望如果有特别好推广的治疗方法，也许很好地推广以后，能够帮助更多的农村的弱势群体的抑郁症患者。
Q
不知道朱老师有没有对这个问题想说一下你的看法，因为可能现在手机的普及率比较高了以后，其实在农村的居民，应该也是获得能够在手机、在数码的世界里面留下一些记录的。那么朱老师，从你接触到的数据来看的话，我们有没有一些来自于农村的、受精神疾病困扰的一些人。
朱廷劭
我们现在正在做一些小系统，类似于微信小程序，包括一些APP，然后想通过他在手机上的操作，类似于那种傻瓜型的操作，可以给他一些辅助性的诊断，也可以做一些早期的预警。
确实是这样，在农村的地区可能没有专科医院，所以这也是我们觉得通过这种技术手段，可以早期识别或者诊断，至少可以提醒他们。这个不是最后的诊断，但是可以提醒他们，可以到专业医院或找专业人员做最后的诊断，所以我们现在正在做，但是这里边涉及一些隐私问题，因为它的一些数据，国家刚通过《个人信息保护法》，所以我们现在正在做其他的一些方法，就是确保隐私的情况下又能提供一些比较及时的自助性测量。通过很简单的操作，就可以完成对他们的心理健康情况（包括精神状态）的一些测量和自动识别，现在主要就是在模型优化，包括后期的系统稳定性，我们希望能够把这个模型用起来。
Q
关于深部脑刺激，最近好像也有科技新闻说它治疗效果非常好，有听众想听一下各位老师对该疗法的一些观点。
严超赣
这个最早是亚特兰大市艾莫利大学Helen Mayberg实验室提出这么做，因为他们最早就是做这个研究发现抑郁症患者的膝下前扣带皮层（sgACC）异常，所以他们就设计了实验将电极插到sgACC 放电，然后他们做了临床试验，但是试验失败了。当然从他们的论文来说，实际上可能有一定的效果。这位听众可能注意到最近两篇来自Stanford的文章，第一篇是Nature Medicine，然后插了一个电极，然后做的是开环治疗，有很好的效果。第二篇是做闭环的治疗，可以根据患者的事实状态来进行刺激。当然了这是个例报告，那是否可以放之四海而皆准，是一个比较大的难题，当然未来也许可以作为很好的金标准，由大家来验证。
整理：腰总
校对：EY，Jiahui，lixia
推荐阅读
追问互动
○ 如果您对本期内容有进一步想要追问的问题或者讨论的内容，欢迎在评论区留言，或者加入我们的社群参与互动，添加小助手微信questionlab即可申请进群。