机器学习工具读取脑部扫描，寻找精神病的早期迹象

　　

　　

　　使用一种机器学习工具，可以在精神病发作之前预测它的发作，该工具可以将MRI脑部扫描分为健康人群和有精神病发作风险的人群。包括东京大学研究人员在内的一个国际联盟使用该分类器比较了来自全球21个地区的2000多人的扫描结果。大约一半的参与者在临床上被确定为患有精神病的高风险人群。使用训练数据，分类器在区分没有风险的人和后来经历明显精神病症状的人方面准确率为85%。使用新数据，准确率达到73%。这一工具在未来的临床环境中可能会有所帮助，因为虽然大多数患有精神病的人都能完全康复，但早期干预通常会带来更好的结果，对人们的生活产生更少的负面影响。

　　任何人都可能经历精神病发作，通常包括妄想、幻觉或思维混乱。没有单一的原因，但它可以由疾病或受伤、创伤、药物或酒精使用、药物或遗传易感性引发。虽然它可能令人恐惧或不安，但精神病是可以治疗的，大多数人都会康复。由于首次发作的最常见年龄是在青春期或成年早期，此时大脑和身体正在经历很多变化，因此很难确定需要帮助的年轻人。

　　东京大学艺术与科学研究生院副教授Shinsuke Koike解释说:“最多只有30%的临床高危个体后来出现明显的精神病症状，而其余70%没有。”“因此，临床医生需要帮助识别那些将继续出现精神病症状的人，不仅要使用亚临床症状，如思维、行为和情绪的变化，还要使用一些生物标志物。”

　　研究人员合作创建了一种机器学习工具，该工具使用大脑核磁共振扫描在精神病开始之前识别有精神病风险的人。先前使用大脑核磁共振成像的研究表明，在精神病发作后，大脑会出现结构上的差异。然而，据报道，这是第一次发现那些高风险但尚未经历精神病的人的大脑存在差异。

　　来自15个不同国家21个不同机构的研究小组聚集了大量不同类型的青少年和年轻人。根据小池的说法，对精神疾病的核磁共振研究可能具有挑战性，因为大脑发育和核磁共振机器的变化使得很难得到非常准确、可比较的结果。此外，对于年轻人来说，很难区分由于典型发育而发生的变化和由于精神疾病而发生的变化。

　　“不同的核磁共振模型有不同的参数，这也会影响结果，”小池解释说。“就像相机一样，不同的仪器和拍摄规格会对同一场景产生不同的图像，在这种情况下，参与者的大脑会产生不同的图像。然而，我们能够纠正这些差异，并创建一个分类器，它可以很好地预测精神病的发作。”

　　参与者被分为三组临床高风险人群:一组后来发展为精神病;那些没有患上精神病的人;和随访状态不确定的人(三组共1165人)，以及第四组健康对照(1029人)进行比较。通过扫描，研究人员训练了一种机器学习算法来识别参与者的大脑解剖模式。从这四组中，研究人员使用该算法将参与者分为两组:健康对照组和后来出现明显精神病症状的高风险组。

　　在训练中，该工具分类结果的准确率为85%，而在使用新数据的最终测试中，预测哪些参与者有精神病发作高风险的准确率为73%。基于这些结果，研究小组认为，为临床鉴定为高危人群的人提供脑部核磁共振扫描可能有助于预测未来精神病的发作。

　　“我们仍然需要测试分类器是否能很好地处理新数据集。由于我们使用的一些软件最适合固定的数据集，我们需要建立一个分类器，可以对来自新地点和机器的核磁共振成像进行稳健的分类，这是日本一个名为brain /MINDS Beyond的国家脑科学项目正在接受的挑战。”“如果我们能成功做到这一点，我们就可以为新数据集创建更强大的分类器，然后将其应用于现实生活和常规临床环境。”