本文转载自公众号“读书芯”（ID：AI_Discovery）。机器学习的主题已经远远超出了它在计算机科学领域的起源，渗透到众多公共和私营行业以及各种学科领域。尽管机器学习技术和人工智能(AI)这两个术语经常互换使用，但前者通常被认为是更广泛的人工智能(AI)领域的一个子集。试验机器学习的领域之一是医疗保健行业。目前，医疗行业应用最广泛的人工智能技术是机器学习，它已经涉足改善患者的身心健康。医疗保健行业中机器学习应用程序的目标通常是增强临床理解并改善患者护理。具体而言，越来越多的研究关注使用机器学习来改善患者筛查、诊断、临床决策和特定治疗结果。与机器学习在身体健康领域的应用相比，其在心理健康领域的应用还比较滞后。然而，我们欣喜地看到，近年来关于机器学习改善人们心理健康的研究数量迅速增加。心理健康是一个巨大的产业，该领域的机器学习研究已经应用到大量课题，包括药物治疗、临床诊断、心理治疗结果，甚至可以预测严重精神疾病的发生。更具体地说，机器学习在上述几个方面在心理健康领域的应用，往往聚焦于特定的诊断人群，有时甚至细化到针对心理疾病的特定治疗方法。机器学习研究中最普遍的诊断组也是精神健康障碍中最普遍的疾病——抑郁症。仅在美国，据估计2017年就有超过1700万成年人至少经历过一次严重的抑郁症发作，这一数字高达总人口的7%。虽然将机器学习应用于抑郁症的研究并不是什么新鲜事，但该领域的研究直到最近才开始取得重大进展。对机器学习应用于抑郁症的所有论文进行文献分析发现，第一篇相关论文发表于1993年，但第二篇论文直到1999年才发表，此后每年都有稳定但缓慢的增长。最近，我们看到抑郁症的机器学习研究数量在增加，尤其是在过去三年中呈指数级增长。鉴于这种趋势，可以肯定地说，我们仍处于将机器学习应用于抑郁症研究的早期阶段。这是一个充满希望和令人兴奋的研究领域，许多研究领域尚待完成。当前应用来源：unsplash机器学习在抑郁症诊断和治疗中最突出和常见的应用之一是其在药物治疗结果上的应用。事实上，搜索机器学习在抑郁症护理中应用的期刊，你会发现大部分论文都集中在精神药物治疗上。其中一项著名的研究结合了之前九项抑郁症研究的临床数据，使用机器学习对相关症状进行聚类，随后建立了机器学习模型来评估几种主要抗抑郁药物的疗效。结果确定了三组症状，并发现参与研究的几种抗抑郁药的疗效存在统计学显着差异。这提示，医生在给抑郁症患者开药时，应该根据患者表现出的具体症状对症下药。特定的心理评估工具，如认知、心理运动和情感测试也被用来对结果进行分类。这些聚类用于预测对精神药理学治疗的反应，并且表明某些生物标志物与有效的抗抑郁药物处方有关。机器学习也被应用于研究抗抑郁症状在完成初始药物治疗后如何缓解，这是抑郁症治疗（药物）中一个突出且反复出现的问题。研究人员训练了一个机器学习模型，根据临床评估数据对三种不同抗抑郁药物的效果（12周后）进行分类。结果表明，所分析的164项临床特征能够以60%的准确率预测三种药物治疗方案中两种方案的抑郁症缓解情况。尽管在文献中并不常见，但机器学习也已应用于除药物治疗之外的其他形式的抑郁症治疗结果。另外两类抑郁症治疗数据也很突出：心理治疗结果和成像数据（如磁共振成像扫描）。第一项关于使用机器学习预测单相和双相抑郁症治疗结果的荟萃分析评估了所有形式的抑郁症治疗的数据，包括心理治疗。在对639项潜在研究进行初步抽象分析后，研究人员对其中的75项进行了全文审查，发现其中26项正在使用机器学习算法来预测抑郁症的治疗结果，并符合本研究的纳入标准。这些发现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)，并表明使用多种数据类型的算法最有效。当决策树专门根据MRI数据进行训练以对初始抗抑郁治疗8周后的缓解率进行分类时，发现MRI可以成功识别可能对初始抗抑郁治疗无反应的患者子集。来源：unsplash机器学习在抑郁症中的另一个有前途的应用涉及使用统计和建模来重新定义当前症状和诊断，这也被更广泛地应用于心理健康诊断。这将是一项艰巨的任务，可能会在几十年内遇到重大阻力，因为现状是根据精神疾病诊断的理论类别来定义诊断分组，而这些诊断类别并不总是与真实的精神疾病症状一致。它的潜在好处包括提高对疾病的认识，导致更有效的干预措施和药物的开发，以及随之而来的精神疾病巨大的经济和社会成本的减少。由于担心诊断分类的全面改革可能会适得其反，研究人员提出了一种折衷方法：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的变量数量来指导特征选择过程。例子表明，这种方法可以改善其他医学或神经系统疾病（例如帕金森病）的结果，因此将类似的方法应用于精神疾病的护理可以改善诊断和治疗结果。尽管机器学习在抑郁症诊断和治疗中的应用研究前景广阔，但仍需要考虑一些潜在的实践和伦理问题。实际问题限制了研究的实用性，例如汇集来自不同来源的数据的挑战，以及在现实世界中实际患有精神疾病的人身上实施研究中常用的措施（如MRI）的难度。伦理问题包括确保患者真的想知道他们是否处于危险之中，以及给某人贴上重度抑郁症等精神疾病标签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。当我们进入机器学习研究的美丽新世界并学习如何最好地将其应用到我们的领域时，新的抑郁症诊断和治疗方案即将出现。该领域的研究数量目前呈指数级增长，证明了机器学习对心理健康的潜在影响。但与此同时，我们只看到了机器学习全部可能性的一小部分。我们开始看到精神疾病的最佳治疗方式发生了长达数十年的转变，甚至诊断组本身也在接受测试。特别是在抑郁症治疗的背景下，我们已经看到机器学习成功地应用于改善抗抑郁结果、降低缓解率以及更好地对对特定药物有反应的人群进行分类。来自许多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。资料来源：unsplash此外，机器学习技术正被应用于特定的心理治疗方式，以治疗抑郁症、改善治疗结果，并确定对特定类型的治疗反应最佳的患者和症状表现。随着当前基础的有效性和可靠性得到检验，随后可以在此基础上进行改进，未来的研究可能会沿着这条道路继续进行。鉴于目前应用于心理治疗的机器学习研究相对匮乏，并且该疗法是最常见和最成功的抑郁症长期治疗方法之一（与药物治疗同时使用），我怀疑我们将开始看到机器学习研究激增这个领域。更容易概念化和测试的药物治疗结果，与更长期的医学研究有更多重叠，可能会继续受到不成比例的关注。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十分广阔。相信人工智能可以帮助人类走出“阴霾”。
