劉光迪 , 李雨辰 , 張偉, 章樂

1. 引言

1990年和2010年全球疾病負擔(dān)研究[1]發(fā)現(xiàn)，精神障礙和物質(zhì)濫用是造成以傷殘調(diào)整生命年（DALY）衡量的第四大疾病負擔(dān)的主要原因[2,3]，并且是導(dǎo)致全球范圍內(nèi)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(yù)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(shù)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(luò)（Brain Bank Network）項目[5]。我國也非常重視該領(lǐng)域的研究，并于2016年發(fā)布了“中國腦計劃：腦科學(xué)與類腦研究”，該項目涵蓋了大腦疾病的神經(jīng)機制的基礎(chǔ)研究和臨床研究[6]。

盡管精神疾病是腦科學(xué)研究的一個重要領(lǐng)域，但是大多數(shù)精神病學(xué)專家仍然基于主觀經(jīng)驗而不是通過病理生理學(xué)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(yù)措施。

近年來，基于人工智能（AI）的應(yīng)用已被迅速用于精神病學(xué)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(yù)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(xué)提取了多種類型的灰-白質(zhì)特征，并使用多核學(xué)習(xí)分類器為每個特征的核函數(shù)分配權(quán)重。

然而，目前尚無系統(tǒng)性的綜述對AI在精神病學(xué)研究和診斷中的應(yīng)用情況進行闡述。因此，我們將對該部分內(nèi)容進行簡要闡述，并對如何使用AI技術(shù)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(guān)的主要技術(shù)

AI技術(shù)[18,19]正被逐步應(yīng)用于精神疾病診斷。大腦結(jié)構(gòu)和功能是精神疾病最重要的生物學(xué)表型和關(guān)鍵的診斷標志物[20]。因此，使用AI技術(shù)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(shù)：磁共振成像（MRI）、腦電圖（EEG）和基于體勢學(xué)的診斷[21]的技術(shù)。接下來，我們將討論這些技術(shù)基于AI的相關(guān)應(yīng)用。

2.1. 磁共振成像

MRI是用于研究行為和認知神經(jīng)科學(xué)的主要技術(shù)，因為該技術(shù)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(shù)所無法檢測到的[22–25]。目前，腦成像常用的AI技術(shù)包括多任務(wù)/多模式學(xué)習(xí)、分類、核心和深度學(xué)習(xí)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(guān)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(guān)的技術(shù)已經(jīng)被應(yīng)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(luò)（CNN）[29]和深度神經(jīng)網(wǎng)絡(luò)（DNN）[30–32]，以闡明精神疾病的神經(jīng)相關(guān)性[30,33–36]。例如，Hosseini-Asl等[37]提出了一種新的自適應(yīng)三維（3D）深度監(jiān)督CNN，該網(wǎng)絡(luò)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(luò)對MRI圖像進行分析和識別。此外，Koyamada等[38]使用DNN構(gòu)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(xùn)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(guān)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(yīng)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(guān)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(shù)。

在這里，我們重點描述了經(jīng)典機器學(xué)習(xí)算法在EEG中的應(yīng)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(dǎo)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(dǎo)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(dǎo)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(xué)習(xí)模型是我們未來的主要研究方向。

2.3. 體勢學(xué)

體勢學(xué)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(zhuǎn)化和輔助診斷非常重要。AI技術(shù)被廣泛應(yīng)用于分析這些數(shù)據(jù)，以幫助診斷和預(yù)測精神疾病。

近幾年，與AI相關(guān)的應(yīng)用已被用于基于體勢學(xué)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(xué)習(xí)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(yù)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(jié)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(xué)的發(fā)展，體勢學(xué)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(xué)數(shù)據(jù)有助于提高模型的預(yù)測準確性和減少誤診率，以及有助于精神病學(xué)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(guān)假設(shè)的分類方法，它是分類算法的一種通用術(shù)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(xué)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(xué)和社會學(xué)現(xiàn)象[15,64]）、潛在假設(shè)理論結(jié)構(gòu)以及癥狀之間的關(guān)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(guān)系。結(jié)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(xué)中，邏輯斯諦模型[67,68]是應(yīng)用最廣泛的統(tǒng)計學(xué)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(guān)性。結(jié)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(yù)測了30天內(nèi)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(yù)測方法，并找到了精神病患者再入院的重要預(yù)測因素。

Shen等[72]通過分類和回歸樹方法建立了一種風(fēng)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(yù)測準確性很高，并且其在臨床上得到了廣泛的應(yīng)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(jié)果，包括隨機事件結(jié)果和效用。決策樹是監(jiān)督分類學(xué)習(xí)中使用最廣泛的算法之一。在AI算法中，決策樹是一種預(yù)測模型，它代表了對象屬性和對象值之間的一種映射關(guān)系。大多數(shù)現(xiàn)代決策樹學(xué)習(xí)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(xùn)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(xùn)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(xué)齡前兒童精神病評估（PAPA）項目是否可以被用于預(yù)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(jié)果表明，該決策樹對GAD和SAD的預(yù)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(jié)合兒童與家庭的臨床和社區(qū)樣本設(shè)計出兩種診斷強迫癥的篩查算法。結(jié)果表明，在不犧牲與全分量表相關(guān)的性質(zhì)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(yīng)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(jié)果表明，該方法可以判別不同的EEG應(yīng)激水平，平均分類準確率達94.79%。

3.5. 深度學(xué)習(xí)

經(jīng)典的機器學(xué)習(xí)方法，如貝葉斯模型和SVM，已經(jīng)在精神病學(xué)和神經(jīng)科學(xué)領(lǐng)域得到了廣泛的應(yīng)用[64–66]。目前，深度學(xué)習(xí)[82–84]是一個熱門的機器學(xué)習(xí)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(xué)習(xí)是指在多層神經(jīng)網(wǎng)絡(luò)上使用各種機器學(xué)習(xí)算法來解決圖像或文本等各種數(shù)據(jù)的一組算法。結(jié)合低維特征，深度學(xué)習(xí)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(quán)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(quán)重；η是學(xué)習(xí)速率；C是損失函數(shù)。損失函數(shù)的選擇與學(xué)習(xí)類型（如有監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、增強學(xué)習(xí)）和激活函數(shù)有關(guān)。

下面，我們詳細討論兩個深度學(xué)習(xí)算法在精神疾病診斷中的應(yīng)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)?；谏疃葘W(xué)習(xí)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(jié)果表明，當有大量訓(xùn)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(xué)習(xí)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(jié)果表明，數(shù)據(jù)集的分類準確率達到70%，可見，深度學(xué)習(xí)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(jié)果顯示了深度學(xué)習(xí)算法在臨床數(shù)據(jù)集中的應(yīng)用前景，并闡明了AI在精神疾病診斷中的應(yīng)用前景。

盡管深度學(xué)習(xí)算法先進的性能在一些領(lǐng)域已得到驗證，但由于其在學(xué)習(xí)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(guān)注[90–92]。例如，深度學(xué)習(xí)被稱為“黑匣子”。相比較而言，LR等技術(shù)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(xué)習(xí)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(xué)習(xí)模型解釋神經(jīng)網(wǎng)絡(luò)的相關(guān)研究中，Zhang等[95]提出了一種解釋預(yù)訓(xùn)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。總之，一個好的AI模型應(yīng)該是可解釋、可通用和適應(yīng)性強的，并且應(yīng)該從數(shù)據(jù)、規(guī)則和交互中進行學(xué)習(xí)。

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(zhì)表達[98,99]等的微分子變異[96,97]；其次，通過MRI檢測大腦結(jié)構(gòu)、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(zhuǎn)換時，利用行為學(xué)數(shù)據(jù)鑒定行為變化[100]。結(jié)構(gòu)、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(guān)鍵生物標志物進行探索。

然而，精神疾病的臨床癥狀復(fù)雜多樣。精神疾病的診斷又屬于醫(yī)學(xué)任務(wù)中的一種勞動密集型工作，因此，此項工作可由機器學(xué)習(xí)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(shù)和AI技術(shù)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(jié)果。所以，AI技術(shù)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(yīng)用是基于DNN的疾病診斷[104]。DNN可以通過基于相關(guān)疾病數(shù)據(jù)的深度學(xué)習(xí)模型來準確預(yù)測疾病或異常病變的風(fēng)險。在文獻中，雖然深度學(xué)習(xí)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(xué)習(xí)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(xué)習(xí)是未來的一個研究方向。其次，發(fā)展利用無監(jiān)督學(xué)習(xí)對未標注的精神疾病影像學(xué)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(xué)習(xí)、多視角學(xué)習(xí)和集成學(xué)習(xí)[106]有望在將來被用于處理大量的精神疾病數(shù)據(jù)。

5. 結(jié)論

目前，MRI、EGG和體勢學(xué)是診斷精神疾病的重要方法。隨著AI技術(shù)在醫(yī)學(xué)中的應(yīng)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(xué)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(shù)在上述三個方面的應(yīng)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(shù)在精神疾病診斷中的重要作用及其應(yīng)用性能的介紹；③基于當前深度學(xué)習(xí)熱點對疾病診斷方法的總結(jié)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(xué)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(xué)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.