盡管人們已經(jīng)深入研究了精神疾病的診斷和治療很多年，但目前仍然面對重重難關(guān)。眾多研究表明，精神疾病診斷的難點最主要在于現(xiàn)有對診斷主要依靠行為判斷，而沒有統(tǒng)一的生理學的病理依據(jù)。并且，由于基因與環(huán)境的相互作用關(guān)系，利用基因分析研究精神疾病背后的機制目前仍有些缺乏說服力。與此相對，腦成像技術(shù)正成為一種使在神經(jīng)生物基礎(chǔ)上診斷和治療評估精神疾病更有可能的手段。尤其是隨著機器學習在腦成像數(shù)據(jù)分析的應(yīng)用，研究者能更好地解讀每一個被掃描個體腦中的想法。

什么！！放開我的腦子??！

研究員加斯特和他的同事們2017年10月于《自然：人類行為》雜志中發(fā)表了一篇關(guān)于利用功能核磁共振（fMRI）分析精神疾患病人自殺想法的研究?；谧詺⑾敕ǖ纳窠?jīng)表征，他們表示能夠?qū)⒂凶詺A向的患者從對照組受試者中識別出來。更令人驚奇的是，它甚至能將曾經(jīng)有過自殺企圖和嘗試的患者和僅有自殺念頭的患者區(qū)分開來。

功能核磁共振的空間分辨率在毫米級，所以我們常常用它作為人類大腦神經(jīng)活動的研究工具。它的工作原理其實很簡單（見圖1）：當我們的部分腦區(qū)興奮時，更多攜氧血液將會流入該腦區(qū)，此時功能核磁共振就能檢測出大腦的活動變化。這是因為氧合充足的細胞與缺氧的細胞磁性不同。早期利用功能核磁共振的研究中，研究者多關(guān)注的是患者和對照組（一般是都是健康的受試者）之間的顯著性差異。這種差異主要在于大腦活動激活的功能核磁信號的多少（也稱為功能活動）或者是，近幾年比較火的不同腦區(qū)之間神經(jīng)活動的相關(guān)性（也就是功能連接）。然而，這些差異并未顯著到可以區(qū)分患者或者是作為對照的健康人，也因此難以將它作為功能生物標記用于診斷或者是研究治療手段的有效性。加斯特和他的同事利用機器學習分析數(shù)據(jù)的方式克服了傳統(tǒng)功能核磁共振數(shù)據(jù)分析的技術(shù)限制，這也是他們本次研究的最大亮點。

圖1：通常受試者會被送進“線圈”中，根據(jù)研究者的要求觀看視頻或圖片，聽指令或是音樂等，借由重復(fù)進行某種思考、動作或經(jīng)歷，可以用統(tǒng)計方法判斷哪些腦區(qū)在這個過程中有信號的變化，因而可以找出是哪些腦區(qū)在執(zhí)行這些思考、動作或經(jīng)歷

在他們的研究中，研究人員給每一個受試者都展示了3組具有不同情感暗示的詞語[1]（每組10個詞）(見圖2)，一組與自殺相關(guān)（比如：死亡），一組表達消極情緒（比如：憂郁），還有一組表達積極情緒（比如：無憂）。在受試者看到這些詞的同時進行功能核磁共振的掃描。結(jié)果發(fā)現(xiàn)，有六個詞語和五個腦區(qū)（見圖3）能最好地區(qū)分有自殺傾向的患者和對照組受試者。所以，他們訓練機器學習分類器利用這三十個特征對每一個參與者進行患者和對照組的鑒別，結(jié)果十分顯著：分類器從17名具有自殺傾向患者中正確識別出了15名，并且從17名健康受試者中識別出了16名。隨之，他們繼續(xù)對具有自殺傾向的患者進行研究，他們將患者分為曾經(jīng)有過自殺企圖和嘗試的患者（9名）和僅有自殺念頭的患者（8名）兩組，并且用一個新的分類器進行訓練，最終，它準確地分類出了17人中的16人，正確率達到了94%。

圖2：研究人員向每一位受試者展示的三組含不同情緒成分的詞語，每組10個

圖3：畫圈的白色區(qū)域即為有自殺念頭和對照組受試者之間具有顯著差異的5個腦區(qū)定位

到底是大腦中什么樣的思維過程使患者的身份識別達到這么高的精確度？在之前的一項研究中，大腦中特定情緒的激活腦區(qū)已經(jīng)被描繪[2]。因此，加斯特和他的同事們能夠找到這6個不同的詞語（比如：死亡，麻煩和無憂），并比較它們在患者與對照組受試者、以及僅有自殺念頭與曾經(jīng)有自殺嘗試的患者之間的不同。從他們的研究中得出的一個結(jié)論是：相比于對照組受試者，帶有消極情感的詞匯在有自殺傾向的患者中引起更多的憂傷和恥辱，和更少的憤怒。

就像加斯特等研究者所強調(diào)的，這項研究對于精神病學的臨床意義在于，我們不應(yīng)只關(guān)注具有自殺傾向的患者如何對一些任務(wù)做出反應(yīng)（比如口頭回答或者按按鈕），而更應(yīng)該關(guān)注患者本身對于這些不同概念的主觀想法和感受。

那么，從這項研究中我們可以學習到什么？它又可能帶來什么后續(xù)的重要結(jié)果呢？

首先，了解不同詞語的神經(jīng)語義標記不僅定位在單一腦區(qū)，而是分布在多個腦區(qū)是十分重要的。正因為如此，同時生成的多個腦區(qū)的數(shù)據(jù)使得研究者利用多變量/網(wǎng)絡(luò)分析的方法進行分析成為可能。其次，加斯特等人的試驗已經(jīng)清晰地表明，在一個小范圍的人群中，我們可以使用大腦對特定情緒的反應(yīng)分辨有自殺念頭的患者和健康人，甚至可以進一步將有過自殺企圖的患者和僅有自殺念頭的患者區(qū)分開來。也正如作者所言，后一種區(qū)別是極其細微的，如果這個研究能夠在更大的人群中被重復(fù)，以及他們所使用的機器學習方法能夠被運用到患有其他精神疾病的人群，那么功能腦成像技術(shù)在未來也許能成為精神疾病診斷或是治療效力評價的醫(yī)學工具。

小編有話說

加斯特等人的研究結(jié)果在判斷健康志愿者和具有自殺傾向的患者試驗上靈敏度達到了88%（15/17），特異度94%（16/17），盡管有11%（2/17）的漏診率，5%（1/17）誤診率，但是如果作為診斷試驗，其判斷真正患者和非患者的總能力具有相當不錯的真實性（約登指數(shù)YoudenIndex，本試驗YI=0.82，當數(shù)值大于0.7顯示診斷試驗真實性越好），并且其陽性似然比達到了14，具有很好的診斷價值（陽性似然比=靈敏度/（1-特異度），當數(shù)值大于或等于10說明試驗有很好的診斷價值）。但是從外推性的角度出發(fā)，利用功能磁共振成像進行自殺傾向診斷的理想很豐滿，現(xiàn)實卻很骨感。一方面，功能核磁共振成像儀造價昂貴，在醫(yī)院的普及性并不高。另一方面，面對具有自殺傾向的患者，真正難點可能并不在于發(fā)現(xiàn)他們腦中的自殺想法，更多的是面對折磨他們的精神疾病時我們束手無策，或是不能及時給予情感關(guān)懷。真要進行自殺傾向鑒定，倒不如多在搜索引擎或社交網(wǎng)絡(luò)關(guān)鍵詞之類的地方分類下些功夫，比如從推特中看自殺傾向這樣的研究[3]。而不是為了強行捆綁機器學習和功能核磁共振，最終落得一個在醫(yī)學精神病學實用領(lǐng)域上炫技的下場。

最后，分享一首荷蘭歌手唐·麥克萊恩（DonMcLean）1971年以文森特·梵高同名畫作《星夜》為靈感創(chuàng)作的歌曲"StarryStarryNight”，致敬那些活在痛苦軀體之中的偉大靈魂。