机器学习可以帮助心理健康诊断

　　为了准确地识别出混合有精神病和抑郁症状的患者，伯明翰大学的研究人员最近开发了一种使用机器学习的方法。这项研究的结果发表在《精神分裂症公报》上。

　　患有抑郁症或精神病的患者很少会经历纯粹的一种或另一种疾病的症状。从历史上看，这意味着心理健康临床医生可以诊断出“原发性”疾病，但具有继发性症状。对临床医生而言，做出准确的诊断是一项巨大的挑战，诊断通常无法准确反映出个人经验或神经生物学的复杂性。

　　例如，诊断为精神病的临床医生会经常将抑郁症视为继发性疾病，这会影响到更侧重于精神病症状(例如幻觉或妄想)的治疗决策。

　　伯明翰大学心理健康研究所和人脑健康中心的一个团队与PRONIA财团的研究人员合作，希望探索使用机器学习来创建高度精确的“纯”疾病模型的可能性，并使用这些研究了一组混合症状患者的诊断准确性。他们的结果发表在精神分裂症公报上。

　　主要作者巴黎亚历山德罗斯·拉路西斯(Paris Alexandros Lalousis)解释说：“大多数患者都有合并症，因此精神病患者也有抑郁症状，反之亦然。”

　　Lalousis补充说：“这对临床医生而言是一个很大的挑战，那就是诊断并提供专为没有合并症的患者而设计的治疗方法。并不是患者被误诊了，但是我们目前的诊断类别无法准确反映出临床和神经生物学现实”。

　　研究人员检查了问卷调查的回答，详细的临床访谈以及来自参与PRONIA研究的300名患者队列的结构磁共振成像数据，PRONIA研究是由欧盟资助的在七个欧洲研究中心进行的队列研究。

　　在这一队列中，研究人员确定了可分为精神病而无任何抑郁症状或患有精神病而无任何精神病症状的患者的小亚组。

　　研究小组使用这些数据确定了“纯粹”抑郁症和“纯粹”精神病的机器学习模型。然后，他们能够使用机器学习方法将这些模型应用于具有两种疾病症状的患者。目的是为每位患者建立高度准确的疾病状况，并针对他们的诊断进行测试，以查看其准确性。

　　研究小组发现，虽然更容易准确诊断出以抑郁为主要疾病的患者，但患有抑郁症的精神病患者的症状最常出现在抑郁方面。这可能表明抑郁症比以前认为的在疾病中起更大的作用。

　　Lalousis说：“迫切需要更好的治疗精神病和抑郁症的方法，这些疾病构成了全球范围内主要的精神健康挑战。我们的研究强调，临床医生需要更好地了解这些疾病的复杂神经生物学以及co的作用-病态的症状;尤其要仔细考虑抑郁症在疾病中的作用”。

　　Lalousis指出：“在这项研究中，我们已经展示了如何使用综合了临床，神经认知和神经生物学因素的复杂机器学习算法，可以帮助我们理解精神疾病的复杂性。”

　　Lalousis进一步表示：“将来，我们认为机器学习可能会成为准确诊断的关键工具。我们有真正的机会开发数据驱动的诊断方法-这是精神健康与身体健康保持同步的领域因此，保持这种势头非常重要。”