健康界|AI也会“关怀”：机器学习如何帮助抑郁症治疗？( 二 ) 机器学习这一话题早已远远超出了它的起

这些研究结果普遍支持机器学习在预测治疗结果方面的有效性，综合成功率为82%（P<.05），并表示使用多种数据类型的算法最为有效。当专门对MRI数据进行决策树训练，对初始抗抑郁治疗8周后的缓解率进行分类时，发现MRI可以成功识别出一部分可能对初始抗抑郁治疗无反应的患者。

文章图片
图片来源：图虫创意
机器学习在抑郁症中的另一个比较有前景的应用涉及利用统计和建模来重新定义当前的症状和诊断，这一方面也更广泛地应用于心理健康诊断中。这将是一项浩大的工程，很可能会遇到几十年来的重大阻力，因为现状是根据心理疾病诊断的理论类别来定义诊断分组，而它们并不总是与真实的心理疾病症状相吻合。
其潜在的好处包括改善疾病识别，从而开发更有效的干预措施和药物，并随之降低心理疾病的巨大经济和社会成本。考虑到对诊断分类进行全面改造可能会引起反作用，研究人员们提出了一种折中方法：将数据驱动的机器学习与理论驱动的模型相结合。具体来说，在这种方法中，理论模型通过减少输入到机器学习算法中变量的数量来指导特征选择过程。
实例表明，这种类型的方法可以改善其他医学或神经疾病（如帕金森氏症）的结果，因此将类似的方法应用于心理疾病的诊疗中可以改善诊断和治疗结果。尽管有关机器学习在抑郁症诊疗方面应用的研究前景十分光明，但仍需考虑一些潜在的实践和伦理问题。
一些实际问题限制了研究的实用性，比如从不同来源汇总数据的挑战，以及在现实世界中对实际的心理疾病患者进行研究中常用的措施(例如核磁共振成像)的困难。而伦理方面的问题包括：确保患者确实想知道自己是否身处风险之中，以及给某人贴上重度抑郁症等心理疾病标签所带来的潜在不利影响和耻辱感。
对于心理健康服务的提供者和消费者来说，这是一个激动人心的时刻。随着我们进入机器学习研究的美丽新世界，并逐渐了解如何将其最好地应用于我们的领域，抑郁症新的诊断和治疗方案即将出现。目前这一领域的研究数量呈指数级增长，证明了机器学习对心理健康护理的潜在影响。但同时，我们看到的仅仅是机器学习全部可能性的一小部分而已。我们开始发现数十年来对于如何最好地治疗心理疾病发生了转变，甚至连诊断分组本身都受到了考验。
具体到抑郁症治疗方面，我们看到机器学习成功应用于改善抗抑郁症的效果，能降低缓解率，并对特定药物有反应的群体更好地进行分类。多种不同来源的数据用于改善这些治疗结果，包括心理和认知测试，以及MRI扫描和其他成像技术。

文章图片
图片来源：图虫创意
此外，机器学习技术正在应用于特定心理治疗方式，以治疗抑郁症、提升治疗效果，并确定对特定类型治疗反应最好的患者和症状表现。未来的研究很可能会沿着这条道路继续下去，因为目前基础的有效性和可靠性得到了检验，随后可以在此基础上进行改进。考虑到目前应用于心理治疗的机器学习研究相对缺乏，并且鉴于治疗是抑郁症最常见、最成功的长期治疗方法之一（与药物治疗齐名），笔者猜测，我们将开始看到机器学习研究在这一领域的激增。
药物治疗的结果更容易被概念化和测试，并且与历史较长的医学研究有更多的重叠，很可能会继续受到超乎寻常的关注。虽然存在一些问题，但机器学习在抑郁症治疗中的应用前景是十分广阔的，相信AI能帮助人类走出“阴霾” 。