AI 帮助发现青少年脑中的自杀想法，EXO ME?

点击上方“脑人言”关注哦~

撰文：Hedy Huang 、万千百

编辑：夏獭

尽管人们已经深入研究了精神疾病的诊断和治疗很多年，但目前仍然面对重重难关。众多研究表明，精神疾病诊断的难点最主要在于现有对诊断主要依靠行为判断，而没有统一的生理学的病理依据。并且，由于基因与环境的相互作用关系，利用基因分析研究精神疾病背后的机制目前仍有些缺乏说服力。与此相对，脑成像技术正成为一种使在神经生物基础上诊断和治疗评估精神疾病更有可能的手段。尤其是随着机器学习在脑成像数据分析的应用，研究者能更好地解读每一个被扫描个体脑中的想法。

什么！！放开我的脑子！！

研究员加斯特和他的同事们2017年10月于《自然：人类行为》杂志中发表了一篇关于利用功能核磁共振（fMRI）分析精神疾患病人自杀想法的研究。基于自杀想法的神经表征，他们表示能够将有自杀倾向的患者从对照组受试者中识别出来。更令人惊奇的是，它甚至能将曾经有过自杀企图和尝试的患者和仅有自杀念头的患者区分开来。

功能核磁共振的空间分辨率在毫米级，所以我们常常用它作为人类大脑神经活动的研究工具。它的工作原理其实很简单（见图1）：当我们的部分脑区兴奋时，更多携氧血液将会流入该脑区，此时功能核磁共振就能检测出大脑的活动变化。这是因为氧合充足的细胞与缺氧的细胞磁性不同。早期利用功能核磁共振的研究中，研究者多关注的是患者和对照组（一般是都是健康的受试者）之间的显著性差异。这种差异主要在于大脑活动激活的功能核磁信号的多少（也称为功能活动）或者是，近几年比较火的不同脑区之间神经活动的相关性（也就是功能连接）。然而，这些差异并未显著到可以区分患者或者是作为对照的健康人，也因此难以将它作为功能生物标记用于诊断或者是研究治疗手段的有效性。加斯特和他的同事利用机器学习分析数据的方式克服了传统功能核磁共振数据分析的技术限制，这也是他们本次研究的最大亮点。

图1：通常受试者会被送进“线圈”中，根据研究者的要求观看视频或图片，听指令或是音乐等，借由重复进行某种思考、动作或经历，可以用统计方法判断哪些脑区在这个过程中有信号的变化，因而可以找出是哪些脑区在执行这些思考、动作或经历

在他们的研究中，研究人员给每一个受试者都展示了3组具有不同情感暗示的词语[1]（每组10个词）(见图2)，一组与自杀相关（比如：死亡），一组表达消极情绪（比如：忧郁），还有一组表达积极情绪（比如：无忧）。在受试者看到这些词的同时进行功能核磁共振的扫描。结果发现，有六个词语和五个脑区（见图3）能最好地区分有自杀倾向的患者和对照组受试者。所以，他们训练机器学习分类器利用这三十个特征对每一个参与者进行患者和对照组的鉴别，结果十分显著：分类器从17名具有自杀倾向患者中正确识别出了15名，并且从17名健康受试者中识别出了16名。随之，他们继续对具有自杀倾向的患者进行研究，他们将患者分为曾经有过自杀企图和尝试的患者（9名）和仅有自杀念头的患者（8名）两组，并且用一个新的分类器进行训练，最终，它准确地分类出了17人中的16人，正确率达到了94%。

图2：研究人员向每一位受试者展示的三组含不同情绪成分的词语，每组10个

图3：画圈的白色区域即为有自杀念头和对照组受试者之间具有显著差异的5个脑区定位

到底是大脑中什么样的思维过程使患者的身份识别达到这么高的精确度？在之前的一项研究中，大脑中特定情绪的激活脑区已经被描绘[2]。因此，加斯特和他的同事们能够找到这6个不同的词语（比如：死亡，麻烦和无忧 ），并比较它们在患者与对照组受试者、以及仅有自杀念头与曾经有自杀尝试的患者之间的不同。从他们的研究中得出的一个结论是：相比于对照组受试者，带有消极情感的词汇在有自杀倾向的患者中引起更多的忧伤和耻辱，和更少的愤怒。

就像加斯特等研究者所强调的，这项研究对于精神病学的临床意义在于，我们不应只关注具有自杀倾向的患者如何对一些任务做出反应（比如口头回答或者按按钮），而更应该关注患者本身对于这些不同概念的主观想法和感受。

那么，从这项研究中我们可以学习到什么？它又可能带来什么后续的重要结果呢？

首先，了解不同词语的神经语义标记不仅定位在单一脑区，而是分布在多个脑区是十分重要的。正因为如此，同时生成的多个脑区的数据使得研究者利用多变量/网络分析的方法进行分析成为可能。其次，加斯特等人的试验已经清晰地表明，在一个小范围的人群中，我们可以使用大脑对特定情绪的反应分辨有自杀念头的患者和健康人，甚至可以进一步将有过自杀企图的患者和仅有自杀念头的患者区分开来。也正如作者所言，后一种区别是极其细微的，如果这个研究能够在更大的人群中被重复，以及他们所使用的机器学习方法能够被运用到患有其他精神疾病的人群，那么功能脑成像技术在未来也许能成为精神疾病诊断或是治疗效力评价的医学工具。

小编有话说

加斯特等人的研究结果在判断健康志愿者和具有自杀倾向的患者试验上灵敏度达到了88%（15/17），特异度94%（16/17），尽管有11%（2/17）的漏诊率，5%（1/17）误诊率，但是如果作为诊断试验，其判断真正患者和非患者的总能力具有相当不错的真实性（约登指数Youden Index， 本试验YI=0.82，当数值大于0.7显示诊断试验真实性越好），并且其阳性似然比达到了14，具有很好的诊断价值（阳性似然比=灵敏度/（1-特异度），当数值大于或等于10说明试验有很好的诊断价值）。但是从外推性的角度出发，利用功能磁共振成像进行自杀倾向诊断的理想很丰满，现实却很骨感。一方面，功能核磁共振成像仪造价昂贵，在医院的普及性并不高。另一方面，面对具有自杀倾向的患者，真正难点可能并不在于发现他们脑中的自杀想法，更多的是面对折磨他们的精神疾病时我们束手无策，或是不能及时给予情感关怀。真要进行自杀倾向鉴定，倒不如多在搜索引擎或社交网络关键词之类的地方分类下些功夫，比如从推特中看自杀倾向这样的研究[3]。而不是为了强行捆绑机器学习和功能核磁共振，最终落得一个在医学精神病学实用领域上炫技的下场。

最后，分享一首荷兰歌手唐·麦克莱恩（Don McLean）1971年以文森特·梵高同名画作《星夜》为灵感创作的歌曲"Starry Starry Night” ，致敬那些活在痛苦躯体之中的伟大灵魂。 

“

For they could not love you love you

哪怕他们不爱你

But still your love was true

你的爱依然真挚

And when no hope was left inside 

而当心中再无希望

On that starry, starry night

在那繁星点点的夜晚

You took your life as lovers often do

你如殉情般生命不再

But I could have told you, Vincent

我多想告诉你呀 文森特 

This world was never meant for one as beautiful as you

你是天使落入凡尘

——“Starry Starry Night”

”

参考文献：

[1] Just, M. A. et al. Nat. Hum. Behav. 1, https://doi.org/10.1038/ s41562-017-0234-y (2017).
[2] Kassam, K. S., Markey, A. R.,Cherkassky, V. L., Loewenstein, G. & Just, M. A. PLoS ONE 8, e66032 (2013).
[3] O’Dea, B., Wan, S., Batterham, P. J.,Calear, A. L., Paris, C., & Christensen, H. (2015). Detecting suicidality on Twitter. Internet Interventions, 2(2), 183–188.https://doi.org/10.1016/j.invent.2015.03.005

 

往期推荐

欢迎大家关注我们脑人言的其他平台

新浪微博：脑人言

知识星球：脑人言

知乎专栏：行为与认知神经科学

长按识别二维码关注我们

 

友情赞助