近日，IBM 科学家和阿尔伯塔大学加拿大埃德蒙顿分校在《自然》杂志的合作期刊《精神分裂症》(Schizophrenia) 上发布了新的数据，证明 AI 和机器学习算法能够以 74% 的准确率帮助预测精神分裂症病例。

这项追溯性分析还表明，根据在大脑不同区域观察到的活动之间的关联，该技术能够从很高的相关性预测精神分裂症患者特定症状的严重程度。这项开创性研究还可以帮助科学家识别更可靠、客观的神经影像生物指标 (Neuroimaging Biomarkers)，用于预测精神分裂症及其严重等级。

精神分裂症是一种慢性衰弱性神经障碍，每 1,000 个人中有 7 到 8 个人会受其影响。精神分裂症患者可能出现幻觉、错觉或思维障碍，还可能出现认知障碍，比如无法集中注意力和身体缺陷，比如运动障碍。

阿尔伯塔大学的精神病学兼神经科学教授 Serdar Dursun 博士表示：“这种独特、富有创新的多学科方法加深了我们对精神分裂症的神经生物学原理的理解，可以帮助改善该疾病的治疗和管理。

我们在大脑中发现了许多重要的异常连接，未来的研究可以探索这些连接，而且 AI 创建的模型让我们离发现基于神经影像的客观模式更进了一步，这些模式可以作为精神分裂症的诊断和预后指标。”

在论文中，研究人员分析了来自开放数据集生物医学信息学功能研究网络 (fBIRN) 的去标识化的大脑功能核磁共振影像 (fMRI) 数据，数据中既包括精神分裂症患者和分裂情感性障碍患者，还包括健康的实验对照组。

fMRI 通过大脑特定区域的血流变化来测量大脑活动。具体来讲，fBIRN 数据集反映了，根据对调研参与者执行一个普通听觉测试时收集的数据，在不同清晰度水平上对大脑网络执行的研究。通过检查来自 95 位参与者的扫描影像，研究人员使用机器学习技术开发了一种精神分裂症模型，用于识别大脑中与该疾病相关的最紧密的连接。

从上图我们可以看出，在精神分裂症患者与没有该疾病的患者之间，一些大脑区域表现出具有统计意义的区别。例如，箭头 1 表示中央前回（Precentral Gyrus），箭头 5 表示参与处理视觉信息的楔前叶（Precuneus）。

精神疾病的量化研究 

IBM 和阿尔伯塔大学的研究结果表明，甚至在从多个站点（不同机器、跨越不同主体群等）收集的更具挑战的神经影像数据上，机器学习算法通过利用不同大脑区域间的活动关联，也能以 74% 的准确率区分精神分裂症患者与实验对照组。

此外，研究表明，功能网络连接也可以帮助确定患者表现出的多种症状的严重等级，包括注意力迟钝、行为怪异和思维形式障碍，以及失语症（言语贫乏）和动力缺乏。

通过预测症状严重等级，可以得到更加量化、基于测量结果的精神分裂症特征。可以在一个范围内确定该疾病，而不只是看到一个非此即彼的二元标签（诊断或非诊断）。这种客观的、数据驱动的严重等级分析方法，最终可以帮助临床医生为患者量身定制治疗方案。 

IBM 研究院医疗与生命科学副总裁 Ajay Royyuru 表示：“这项研究工作的最终目的是识别和开发客观的、数据驱动的测量指标来描绘精神状态，并将它们应用于精神病学和神经障碍。我们还希望提供新的洞察，揭示可以如何使用 AI 和机器学习来分析精神疾病和神经障碍，帮助精神科医生评估和治疗患者。”

NIMH （国家精神卫生研究所）的研究领域标准 (RDoC) 倡议强调了客观测量在精神病学中的重要性。这一领域常常称为“计算精神病学”（Computational Psychiatry），旨在使用现代技术和数据驱动的方法改善精神病学中的循证医疗决策，这一领域常常依赖于主观的评估方法。

作为这次持续合作的一部分，研究人员将继续调查大脑中与精神分裂症具有重要联系的区域和连接。我们将继续努力改进这些算法，对更大的数据集执行机器学习分析，并探索将这些技术扩展到抑郁症或创伤后应激障碍等其他精神疾病的方式。