作者：刘光迪，李雨辰，张伟，章乐

来源：A Brief Review of Artificial Intelligence Applications and Algorithms for Psychiatric Disorders[J].Engineering,2020,6(4):462-467.

编者按

精神疾病是脑科学研究的主要部分，目前精神疾病诊断紧张依赖年夜夫的主不雅观履历，而非疾病的病理生理学指标。
天下各国开展了大量脑研究操持，研究精神疾病的病因和发病机制。
为开拓有效的治疗办法和干预方法，我们急迫须要对重大精神疾病的病因和致病机制有一个清晰的认识。

中国工程院院刊《Engineering》刊发《人工智能算法在精神疾病中的运用简述》一文指出，当古人工智能（AI）技能在精神疾病的运用研究发展迅速，已广泛用于精神病学的研究和诊断中。
文章总结了磁共振成像（MRI）、脑电图（EEG）和基于体势学的诊断技能的三种用于研究精神疾病不雅观测技能基于AI的干系运用。
接着，谈论了AI算法中贝叶斯模型、逻辑回归、决策树、深度学习等在精神疾病诊断运用面临的寻衅、机遇和未来的发展方向。

一、弁言

1990年和2010年环球疾病包袱研究创造，精神障碍和物质滥用是造成以伤残调度生命年（DALY）衡量的第四大疾病包袱的紧张缘故原由，并且是导致环球范围内伤残的紧张缘故原由。

为了研究精神疾病的致病成分和发病机制，同时增加对大脑的干预能力和提高对精神疾病的临床治疗水平，各国开展了大量脑研究操持。
如美国2013年推出的推进创新神经技能脑研究操持（Brain Research through Advancing Innovative Neuroethology initiative）、欧盟2013年推出的人类大脑操持（Human Brain Project, HBP）、日本2014年启动的脑库网络（Brain Bank Network）项目。
我国也非常重视该领域的研究，并于2016年发布了“中国脑操持：脑科学与类脑研究”，该项目涵盖了大脑疾病的神经机制的根本研究和临床研究。

只管精神疾病是脑科学研究的一个主要领域，但是大多数精神病学专家仍旧基于主不雅观履历而不是通过病理生理学指标对该疾病进行诊断。
这可能会误诊及无法准确判断治疗路径。
因此，我们急迫须要对重大精神疾病的病因和发病机制有一个清晰的认识，以便为紧张的大脑疾病开拓有效的治疗和干预方法。

近年来，基于人工智能（AI）的运用已被迅速用于精神病学研究和诊断。
例如，Jan等提出了一种用于监测烦闷症的AI系统，该系统可以预测贝克忧郁量表II（BDI-II）中声音和视觉表达分数。
其余，Wen等基于多模态神经影像学提取了多种类型的灰-白质特色，并利用多核学习分类器为每个特色的核函数分配权重。

然而，目前尚无系统性的综述对AI在精神病学研究和诊断中的运用情形进行阐述。
因此，我们将对该部分内容进行简要阐述，并对如何利用AI技能去探索精神疾病的生物标志物进行谈论。

二、精神疾病诊断中与AI干系的紧张技能

AI技能正被逐步运用于精神疾病诊断。
大脑构造和功能是精神疾病最主要的生物学表型和关键的诊断标志物。
因此，利用AI技能可以得到用以表征不同精神疾病的详细信息，从而对这些疾病进行诊断。

图1描述了精神疾病研究中用于大脑不雅观察的三种紧张技能：磁共振成像（MRI）、脑电图（EEG）和基于体势学的诊断的技能。
接下来，我们将谈论这些技能基于AI的干系运用。

图1 精神疾病的紧张不雅观察技能

（一）磁共振成像

MRI是用于研究行为和认知神经科学的紧张技能，由于该技能可以探测明显的精神非常，而这些精神非常是打算机断层扫描（CT）技能所无法检测到的。
目前，脑成像常用的AI技能包括多任务/多模式学习、分类、核心和深度学习方法，这些方法有助于有效剖析现有疾病数据、探索关键生物标志物和提高大脑疾病的临床治疗能力。

只管许多与AI干系的技能已经被运用到MRI，但本节我们紧张先容被用于神经成像研究的卷积神经网络（CNN）和深度神经网络（DNN），以阐明精神疾病的神经干系性。
例如，Hosseini-Asl等提出了一种新的自适应三维（3D）深度监督CNN，该网络可以自动提取和识别阿尔茨海默病的特色、捕捉由阿尔茨海默病引起的变革，以及利用这些网络对MRI图像进行剖析和识别。
此外，Koyamada等利用DNN构建了一种主题传输解码器。
该解码器是由人脑连接组操持（HCP）中的功能性MRI（fMRI）数据集所演习的，它具有比其他解码方法更高的解码精度。

目前，虽然MRI是一种主要的精神疾病诊断工具，但它仍存在几个紧张的缺陷。
首先，MRI须要大量的打算机配置。
其次，它须要大量数据来优化模型的关键参数。
第三，它的成像过程耗时较长。
因此，如何改进现有的基于AI的运用来办理这些问题是MRI未来的主要研究方向。

（二）脑电图

目前，EEG旗子暗记对付理解人类大脑如何处理信息和诊断精神疾病是非常主要的，我们可以通过检测和记录人类的EEG旗子暗记来完成神经系统疾病的诊断和治疗。
与CT和MRI比较，EEG具有更高的韶光分辨率。
因此，只管EEG的空间分辨率有限，但它仍旧是一个有代价的研究和诊断工具，特殊是当特定的研究须要毫秒级的韶光分辨率时，如关于焦虑症、精神病和烦闷症的研究。

在这里，我们重点描述了经典机器学习算法在EEG中的运用。
由于EEG数据是用图形表示的，以是研究职员常日利用基于AI的模型来对其进行剖析。
例如，Field和Diego采取线性判别剖析法处理EEG数据，并且在对正常患者和烦闷症患者进行分类时得到了67%的准确率。
此外，Iosifescu等采取支持向量机（SVM）对88名受试者额头上的8导联中点的静息状态EEG数据进行分类，分类准确率达70%。
此外，Bisch等采取逻辑回归（LR）对烦闷症的9导联EEG数据进行分类，分类准确率达83.3%。

只管EGG可以简化数据采集过程，但其会造成信息丢失。
更主要的是，EGG数据存在的大量未被挖掘的成分会导致分类决策涌现大量噪声。
因此，开拓更适宜EGG数据的机器学习模型是我们未来的紧张研究方向。

（三）体势学

体势学数据（包括行为、面部等数据）对付研究精神疾病的发病机制、发展转化和赞助诊断非常主要。
AI技能被广泛运用于剖析这些数据，以帮助诊断和预测精神疾病。

近几年，与AI干系的运用已被用于基于体势学的数据诊断。
例如，Wang等提出了一种为***数据建立概率面部表情轮廓的打算方法，该方法可以自动量化精神疾病患者（如精神分裂症）和康健对照组之间情绪表达的差异。
Zhu等采取深度学习算法实现了烦闷症的自动诊断，他们通过将均匀绝对偏差降落30.3%，显著提高了烦闷症的预测性能。
此外，Kaletsch等研究了重度烦闷障碍（MDD）患者与康健对照组在身体运动方面的感情表达差异，并证明MDD患者比康健对照组更悲观。

其余，Dhamecha等提出了一种用于识别或验证伪装后的人脸的人机性能算法。
该方法通过自动定位特色描述符来识别伪装后的人脸图像，并对这些信息进行处理以提高匹配精度。
实验结果表明，该算法不仅能在性能上优于现有的商用算法，而且能在匹配时对伪装的人脸图像进行评价。

总的来说，随着AI和精密医学的发展，体势学数据的采集和剖析将变得更随意马虎、更方便，且本钱更低。
体势学数据有助于提高模型的预测准确性和减少误诊率，以及有助于精神病学专家诊断和治疗精神疾病。

三、人工智能算法

（一）贝叶斯模型

在AI中，朴素贝叶斯分类器（naïve Bayes classifier）是一种基于贝叶斯定理和特色条件无关假设的分类方法，它是分类算法的一种通用术语。

在近期研究中，贝叶斯模型常常被用来诊断精神疾病。
例如，打算精神病学的Strüngmann论坛（Strüngmann Forum on Computational Psychiatry）建议利用贝叶斯推理来研究潜在缘故原由（遗传学和社会学征象）、潜在假设理论构造以及症状之间的关系。
此外，Grove等采取贝叶斯模型比较法磋商了视觉整合与一样平常认知的关系。
结果表明，贝叶斯模型不仅可以对疾病分类系统进行比较，并且能获取诊断组的一样平常生理病理信息。

（二）逻辑回归

在统计学中，逻辑斯谛模型是运用最广泛的统计学模型，而且LR是一种主要的AI算法。
最近的研究常常利用LR模型来诊断精神疾病。
例如，Hagen等采取LR法评价了生理困扰与两种认知筛核对象之间的干系性。
结果表明，基于绩效的评估可以减少生理困扰对认知筛查的影响。

此外，Barker等采取多变量LR模型预测了30天内精神病患者再入院的情形。
他们研究了一种更好的再入院预测方法，并找到了精神病患者再入院的主要预测成分。

Shen等通过分类和回归树方法建立了一种风险分层模型以得到精神病共病的比值比（odds ratio, OR），并采取LR法打算了有无边缘型人格障碍的受试者之间的精神共病的OR。

总之，LR模型的预测准确性很高，并且其在临床上得到了广泛的运用。

（三）决策树

决策树是一种类似于流程图的图表，该图表显示了一系列决策结果，包括随机事宜结果和效用。
决策树是监督分类学习中利用最广泛的算法之一。
在AI算法中，决策树是一种预测模型，它代表了工具属性和工具值之间的一种映射关系。
大多数当代决策树学习算法都采取基于纯度的启示式算法。
信息增益，即gain(D,X )，定义如下。

式中，D是一组演习集；X是某种属性；x是属性X的取值；Dx是D的子集，由X=x的实例组成；info(D)由下式定义。

式中，pi是根据演习实例的百分比进行估算的；m是种别数。

接下来，我们将详细谈论被用于精神疾病研究的两种决策树算法。

Carpenter等利用决策树算法测试了学龄前儿童精神病评估（PAPA）项目是否可以被用于预测儿童是否可能患有广泛性焦虑障碍（GAD）或分离性焦虑障碍（SAD）。
他们利用决策树识别了正处于焦虑症边缘的儿童，结果表明，该决策树对GAD和SAD的预测准确率均高达96%。

Scattler等利用决策树剖析了Spence儿童焦虑量表（SCAS）和SCAS-P强制症-冲动性障碍子量表的数据，并结合儿童与家庭的临床和社区样本设计出两种诊断强制症的筛查算法。
结果表明，在不捐躯与全分量表干系的性子的条件下，该算法将诊断强制症所需的SCAS-P项目数量减少了67%~83%。

（四）支持向量机

SVM是一种有监督的学习方法，其决策边界是求解学习样本的最大边缘超平面。
它可以被描述为从n个点的形式的演习数据集开始，个中yi∈{–1, 1}表示类标签。
每个都是一个p维实向量。
该模型被用于探求将yi= 1的点与yi=–1的点分开的最大边距超平面。

目前，SVM模型已被广泛运用于精神疾病的诊断。
例如，为了描述用户的情形，Peng等采取多核SVM模型，通过提取三种社交方法（用户微博正文、用户简介和用户行为）来定位可能患有烦闷症的潜在用户。
此外，Al-Shargie等提出了一种基于多类SVM的判别剖析方法。
结果表明，该方法可以判别不同的EEG应激水平，均匀分类准确率达94.79%。

（五）深度学习

经典的机器学习方法，如贝叶斯模型和SVM，已经在精神病学和神经科学领域得到了广泛的运用。
目前，深度学习是一个热门的机器学习研究方向，它在很大程度上超越了前面提到的AI模型。

深度学习是指在多层神经网络上利用各种机器学习算法来办理图像或文本等各种数据的一组算法。
结合低维特色，深度学习可以开拓出更加抽象的高维属性种别或特色，从而创造数据的分布式特色。
个中，权值更新可利用随机梯度低落法进行求解，公式如下：

式中，Δw(t)是t时候权重；η 是学习速率；C是丢失函数。
丢失函数的选择与学习类型（如有监督学习、无监督学习、增强学习）和激活函数有关。

下面，我们详细谈论两个深度学习算法在精神疾病诊断中的运用。

通过在TensorFlow框架上利用DNN，Khan等利用一种打算工具（综合精神疾病基因组评分，简称iMEGES）剖析了个人基因组的全基因组/外显子组序列数据。
基于深度学习框架，该工具为精神疾病创建了优先基因评分。
研究结果表明，当有大量演习数据集存在时，该工具的性能优于竞争方法。

此外，Heinsfeld等对大型脑成像数据集采取了深度学习算法，并且仅根据患者的大脑激活模式就识别出了自闭症谱系障碍患者。
研究结果表明，数据集的分类准确率达到70%，可见，深度学习算法对大数据集的分类效果优于其他方法。
此外，研究结果显示了深度学习算法在临床数据集中的运用前景，并阐明了AI在精神疾病诊断中的运用前景。

只管深度学习算法前辈的性能在一些领域已得到验证，但由于其在学习和测试过程中缺少透明度，以是该算法一贯受到人们的密切关注。
例如，深度学习被称为“黑匣子”。
比较较而言，LR等技能相对大略易懂。

为此，本文先容了可阐明DNN的最新研究成果。
例如，在CNN可视化方面，Springenberg等提出了一种可被用于从深度学习中获取特色的反卷积方法。
此外，Kindermans等提出了一种将输入图像中对CNN决策过程贡献最大的区域进行可视化的方法。
而在利用传统机器学习模型阐明神经网络的干系研究中，Zhang等提出了一种阐明预演习CNN卷积层特性的方法，并利用解释图揭示了隐蔽在CNN中的知识层。
总之，一个好的AI模型该当是可阐明、可通用温柔应性强的，并且该当从数据、规则和交互中进行学习。

四、谈论

介于环境与多个易感基因之间的相互浸染，未来精神疾病的诊断过程如下：首先，通过EEG研究引起蛋白质表达等的微分子变异；其次，通过MRI检测大脑构造、特定神经环路以及大脑功能的改变；末了，当患者发生临床表型转换时，利用行为学数据鉴定行为变革。
构造、功能和行为方面的这些变革，不仅有助于精神疾病的早期诊断，而且有助于对诊断精神疾病的关键生物标志物进行探索。

然而，精神疾病的临床症状繁芜多样。
精神疾病的诊断又属于医学任务中的一种劳动密集型事情，因此，此项事情可由机器学习赞助进行。
一样平常的医疗系统每每不能准确、快速地诊断精神疾病。
临床考验技能和AI技能的不断发展，不仅可以大大降落诊断本钱，而且可以实时得到赞助诊断结果。
以是，AI技能可以帮忙年夜夫做出更准确和更有效的诊断，从而提高神经精神疾病的临床诊断水平。

AI在这方面的范例运用是基于DNN的疾病诊断。
DNN可以通过基于干系疾病数据的深度学习模型来准确预测疾病或非常病变的风险。
在文献中，虽然深度学习对精神疾病诊断的剖析性能较好，但该模型也存在一些问题，如①对打算机配置的哀求较高；②对数据量的哀求较高（只有在数据较多的情形下，实验性能才较好）；③实验所花费的韶光较长。
这些问题值得进一步研究和磋商。

总之，只管AI在精神疾病诊断方面取得了很大的进展，但仍有许多问题须要办理。
首先，由于目前的研究紧张是基于经典的浅层学习算法，而该算法在高维特色之间很难共享和利用信息。
因此，深度学习是未来的一个研究方向。
其次，发展利用无监督学习对未标注的精神疾病影像学数据进行自动标注是十分必要的。
末了，由于目前基于AI的模型只能处理同源数据集，以是它的适用性不强。
因此，迁移学习、多视角学习和集成学习有望在将来被用于处理大量的精神疾病数据。

五、结论

目前，MRI、EGG和体势学是诊断精神疾病的主要方法。
随着AI技能在医学中的运用越来越广泛，传统的人工诊断方法正逐渐被淘汰，而MRI、EEG、体势学在打算机赞助诊断方法中的浸染越来越主要。
本文综述了AI技能在上述三个方面的运用，即①精神疾病诊断过程的简要先容及对个中所产生的紧张数据类型的剖析；②AI技能在精神疾病诊断中的主要浸染及其运用性能的先容；③基于当前深度学习热点对疾病诊断方法的总结与剖析。

注：本文内容呈现略有调度，若需可查看原文。

改编原文：

Guang-Di Liu, Yu-Chen Li, Wei Zhang, Le Zhang.A Brief Review of Artificial Intelligence Applications and Algorithms for Psychiatric Disorders[J].Engineering,2020,6(4):462-467.

前沿研究：人工智能赞助COVID-19影像学识别——AI技能从实验室走向临床

计策研究：COVID-19疫情背景下的医院人工智能快速布局和发展计策磋商

前沿研究：信息科学应引领未来的生物医学研究

中国工程院院刊

工程造福人类

科技首创未来

微信公众年夜众号ID ：CAE-Engineering

解释：论文反响的是研究成果进展，不代表《中国工程科学》杂志社的不雅观点。