機器學習這一話題早已遠遠超出了它的起源——計算機科學，滲透到了眾多的公共和私營行業(yè)以及各種不同的學術(shù)學科。盡管機器學習技術(shù)和人工智能（AI）這兩個術(shù)語經(jīng)?？梢曰Q使用，但其實前者通常被認為是更廣泛的人工智能（AI）領(lǐng)域的一個子集。

醫(yī)療保健業(yè)就是嘗試將運用機器學習技術(shù)的領(lǐng)域之一。目前，醫(yī)療行業(yè)中應用最廣泛的人工智能技術(shù)就是機器學習，它在改善患者身體健康以及心理健康等方面都有所涉足。

醫(yī)療保健行業(yè)內(nèi)機器學習應用的目標一般是增強臨床理解與改善患者護理。具體來說，越來越多的研究都將重點放在使用機器學習來改善患者的篩查、診斷、臨床決策和特定治療結(jié)果上。

相較于機器學習在身體健康領(lǐng)域的應用來說，它在心理健康領(lǐng)域的應用仍比較落后。不過我們很開心能看到，近年來有關(guān)機器學習改善人們心理健康方面的研究數(shù)量增長十分迅速。

心理健康是一個龐大的產(chǎn)業(yè)，這一領(lǐng)域的機器學習研究已經(jīng)被應用到了大量的課題，包括藥物治療、臨床診斷、心理治療結(jié)果，它甚至可以預測嚴重精神疾病的發(fā)生。更具體地說，上述幾個方面機器學習在心理健康領(lǐng)域的應用往往聚焦于某一特定的診斷群體，有時甚至會細化到該心理疾病的某一特定治療方式。

目前機器學習研究中最普遍的診斷群體也是心理健康疾病中最普遍的病癥——抑郁癥。據(jù)估計，僅在美國，2017年就有超過1700萬成年人至少有過一次嚴重的抑郁癥發(fā)作經(jīng)歷，這個數(shù)字占總?cè)丝诘谋壤哌_7%。

雖然機器學習在抑郁癥中的應用研究并不是什么新鮮事，但其實，這方面的研究最近才剛開始獲得重大進展。

對所有機器學習在抑郁癥中的應用相關(guān)論文進行文獻分析后發(fā)現(xiàn)，第一篇相關(guān)論文發(fā)表于1993年。然而，直到1999年第二篇論文才被發(fā)表出來，此后每年都有穩(wěn)定而緩慢的增長。最近，我們發(fā)現(xiàn)有關(guān)抑郁癥中機器學習的研究數(shù)量增速漸長，尤其是在過去的三年里，該數(shù)量的指數(shù)級增長尤為明顯。

鑒于這種發(fā)展趨勢可以肯定，我們?nèi)匀惶幱跈C器學習在抑郁癥方面應用研究的早期階段。這是一個充滿希望和令人興奮的研究領(lǐng)域，眾多方面的研究還有待展開。

當前應用

機器學習在抑郁癥診療中最突出、普遍的應用之一，就是其在藥物治療結(jié)果上的使用。事實上，檢索在抑郁癥診療中應用機器學習的期刊你就會發(fā)現(xiàn)，大部分的論文都將重點放在了精神藥物治療上。

其中一項著名的研究結(jié)合了之前9項抑郁癥研究的臨床數(shù)據(jù)，利用機器學習對相關(guān)癥狀進行聚類，隨后建立了一個機器學習模型來評估幾種主要抗抑郁藥物的療效。結(jié)果發(fā)現(xiàn)了三組癥狀，并發(fā)現(xiàn)研究涉及的幾種抗抑郁藥的療效存在統(tǒng)計學上的顯著差異。這表明醫(yī)生在給抑郁癥患者開藥時，應該根據(jù)患者所表現(xiàn)的具體癥狀對癥下藥。

認知、心理運動和情感測試等具體的心理評估工具也用來對結(jié)果進行分類。這些聚類被用來預測心理藥物治療后的反應，結(jié)果顯示，某些生物標記與有效抗抑郁藥物處方有關(guān)。

機器學習還應用于完成初始藥物治療方案后如何緩解抗抑郁癥癥狀這一課題的研究中，這是抑郁癥治療（用藥）中一個突出、反復出現(xiàn)的問題。

研究人員基于臨床評估數(shù)據(jù)來訓練機器學習模型，對三種不同抗抑郁藥物的作用（12周后）進行分類。結(jié)果表明，所分析的164個臨床特征能夠以60%的準確率預測三種藥物治療方案中的兩種方案對抑郁癥的緩解情況。

雖然在文獻中不常見，但機器學習也應用于抑郁癥除藥物治療外其他形式的治療結(jié)果。還有兩類抑郁癥治療數(shù)據(jù)也較為突出，即心理治療結(jié)果和影像學數(shù)據(jù)（如磁共振成像掃描）。

關(guān)于使用機器學習預測單相和雙相抑郁癥治療結(jié)果的首個薈萃分析評估了包括心理治療在內(nèi)所有形式的抑郁癥治療數(shù)據(jù)。在對639項潛在研究進行初步抽象分析后，研究人員針對其中的75項研究進行了全文通覽，發(fā)現(xiàn)其中的26項研究是在利用機器學習算法來預測抑郁癥治療結(jié)果，符合本研究納入標準。

這些研究結(jié)果普遍支持機器學習在預測治療結(jié)果方面的有效性，綜合成功率為82%（P 《 .05），并表示使用多種數(shù)據(jù)類型的算法最為有效。當專門對MRI數(shù)據(jù)進行決策樹訓練，對初始抗抑郁治療8周后的緩解率進行分類時，發(fā)現(xiàn)MRI可以成功識別出一部分可能對初始抗抑郁治療無反應的患者。

機器學習在抑郁癥中的另一個比較有前景的應用涉及利用統(tǒng)計和建模來重新定義當前的癥狀和診斷，這一方面也更廣泛地應用于心理健康診斷中。這將是一項浩大的工程，很可能會遇到幾十年來的重大阻力，因為現(xiàn)狀是根據(jù)心理疾病診斷的理論類別來定義診斷分組，而它們并不總是與真實的心理疾病癥狀相吻合。

其潛在的好處包括改善疾病識別，從而開發(fā)更有效的干預措施和藥物，并隨之降低心理疾病的巨大經(jīng)濟和社會成本。

考慮到對診斷分類進行全面改造可能會引起反作用，研究人員們提出了一種折中方法：將數(shù)據(jù)驅(qū)動的機器學習與理論驅(qū)動的模型相結(jié)合。具體來說，在這種方法中，理論模型通過減少輸入到機器學習算法中變量的數(shù)量來指導特征選擇過程。

實例表明，這種類型的方法可以改善其他醫(yī)學或神經(jīng)疾?。ㄈ缗两鹕习Y）的結(jié)果，因此將類似的方法應用于心理疾病的診療中可以改善診斷和治療結(jié)果。

盡管有關(guān)機器學習在抑郁癥診療方面應用的研究前景十分光明，但仍需考慮一些潛在的實踐和倫理問題。

一些實際問題限制了研究的實用性，比如從不同來源匯總數(shù)據(jù)的挑戰(zhàn)，以及在現(xiàn)實世界中對實際的心理疾病患者進行研究中常用的措施（例如核磁共振成像）的困難。

而倫理方面的問題包括：確保患者確實想知道自己是否身處風險之中，以及給某人貼上重度抑郁癥等心理疾病標簽所帶來的潛在不利影響和恥辱感。

對于心理健康服務的提供者和消費者來說，這是一個激動人心的時刻。隨著我們進入機器學習研究的美麗新世界，并逐漸了解如何將其最好地應用于我們的領(lǐng)域，抑郁癥新的診斷和治療方案即將出現(xiàn)。

目前這一領(lǐng)域的研究數(shù)量呈指數(shù)級增長，證明了機器學習對心理健康護理的潛在影響。但同時，我們看到的僅僅是機器學習全部可能性的一小部分而已。我們開始發(fā)現(xiàn)數(shù)十年來對于如何最好地治療心理疾病發(fā)生了轉(zhuǎn)變，甚至連診斷分組本身都受到了考驗。

具體到抑郁癥治療方面，我們看到機器學習成功應用于改善抗抑郁癥的效果，能降低緩解率，并對特定藥物有反應的群體更好地進行分類。多種不同來源的數(shù)據(jù)用于改善這些治療結(jié)果，包括心理和認知測試，以及MRI掃描和其他成像技術(shù)。

此外，機器學習技術(shù)正在應用于特定心理治療方式，以治療抑郁癥、提升治療效果，并確定對特定類型治療反應最好的患者和癥狀表現(xiàn)。

未來的研究很可能會沿著這條道路繼續(xù)下去，因為目前基礎(chǔ)的有效性和可靠性得到了檢驗，隨后可以在此基礎(chǔ)上進行改進?？紤]到目前應用于心理治療的機器學習研究相對缺乏，并且鑒于治療是抑郁癥最常見、最成功的長期治療方法之一（與藥物治療齊名），筆者猜測，我們將開始看到機器學習研究在這一領(lǐng)域的激增。

藥物治療的結(jié)果更容易被概念化和測試，并且與歷史較長的醫(yī)學研究有更多的重疊，很可能會繼續(xù)受到超乎尋常的關(guān)注。

雖然存在一些問題，但機器學習在抑郁癥治療中的應用前景是十分廣闊的，相信AI能幫助人類走出“陰霾”。
責編AJX