【柳三變專欄】世界上首次嘗試使用機器輔助診斷抑鬱症

《柳葉刀》(The Lancet)最新發表的<通過機器學習支持抑鬱症診斷>(Supporting depression diagnosis through machine learning)介紹一種能夠識別重度抑鬱症患者的機器學習計算法可以改變診斷和治療方法。(A machine-learning algorithm capable of identifying patients with major depressive disorder could transform diagnostics and treatments.)

文 / 柳三變 導讀

從核磁共振成像 (MRI) 圖像出發

長期以來，許多科學家一直認為精神疾病的根源在於大腦網絡的紊亂。但是，很難量化大腦功能連接的改變與特定疾病之間的關係。然而，腦成像技術的最新進展和機器學習技術的出現意味著現在可以為不同的心理健康狀況識別獨特的腦網絡標記。在一項旨在提高診斷心理健康狀況能力的開創性舉措中，XNef Inc. 將在日本申請批准使用機器學習軟件作為支持重度抑鬱症 (MDD) 1 診斷的醫療設備。經過訓練的分類器在獨立驗證數據集中顯示出相似的準確性。此外，腦網絡標記的診斷比臨床醫生做出的診斷變化更小。他們的軟件使用核磁共振成像 (MRI) 圖像來學習大腦內功能連接的分佈。然後它使用這些模式來嘗試將患者與健康對照區分開來。MDD 分類器已使用發現數據集進行訓練，並使用獨立數據集進行驗證。

將神經精神疾病者的症狀外化為大腦網絡的疾病

使用這種方法，XNef 研究人員已經為其他幾種神經精神疾病建立了大腦網絡標記，包括精神分裂症和自閉症譜系障礙。希望他們的機器學習工具有一天能提供一種客觀的、基於生物學的方法來支持精神病醫生進行診斷。

MDD 診斷目前依賴於精神科醫生對症狀的主觀評估。然而，精神科醫生在評估 MDD 方面的一致性非常低。測量人腦活動的外部客觀工具提供的支持將使評估更加平衡和準確。「採用生物學方法進行心理健康診斷是一項國際公認的關鍵需求，」XNef 的主要科學家和公司創始人之一、精神病學家 Yuki Sakai 說。「例如，患者傾向於將抑鬱症狀視為自身虛弱的表現，這在很大程度上是由於缺乏客觀信息。使用基於生物學的分類技術將使患者能夠將他們的症狀外化為大腦網絡的疾病。」XNef 開發的軟件依賴於靜息態功能 MRI (rs-fMRI) 成像——一種僅需 10 分鐘的非侵入性程序。這些掃描拾取指定大腦節點之間的連接模式，軟件自動計算 MDD 的概率。

消除特定地點的差異以提高準確性

XNef 分類器並不是第一個使用 rs-fMRI 數據開發的；一些研究開發了機器學習算法，使用大腦網絡標記來區分精神疾病患者和健康對照者。但是這些分類器中的大多數都是根據從單個成像站點的少數參與者拍攝的圖像構建的。

「由於一個基本障礙，不可能將這些分類器推廣到從其他站點獲得的數據——每個 MRI 掃描儀產生的圖像略有不同，即使是對同一位患者也是如此，」Sakai 解釋說。這些變化是由多種因素引起的，從 MRI 模型的差異到掃描儀所在的環境。在多站點、多參與者的數據集中，站點差異使得很難為個體心理健康狀況識別可概括的大腦網絡標記。「為了克服這個問題，我們要求一組參與者前往多個地點並接受 rs-fMRI，」Sakai 說。「然後我們開發了一種協調方法來平滑數據，消除特定地點的差異以提高準確性。」

研究人員將他們的協調技術應用於從每個站點提取的數據集，以識別特定精神疾病的標記，包括他們的 MDD 分類器。對於那個特定的分類器，該團隊使用了來自四個站點1的 700 多名參與者的發現數據集，其中包括近 150 名 MDD 患者。然後他們應用分類分析在大腦網絡中選擇大約 20 個診斷上有用的功能連接。

腦網絡標記的另一個關鍵應用可能是藥物開發

「重要的是要注意特定的功能聯繫與特定的疾病無關，」Sakai 說。「權重應用於被認為最相關的功能連接。該工具學習這些，然後加權線性求和可以對患者進行分類。」該團隊還編制了一個大規模、多站點、多疾病的神經影像學數據庫，其中包含近 1,000 名患者和 1,400 多名健康對照者的 rs-fMRI 和結構性腦圖像。該數據庫將有助於為不同的心理健康狀況確定更多可概括的標記。初步跡象表明，這些標記對不同種族也有效。Sakai 指出，機器學習的快速發展和協調技術的應用使得構建通用分類器成為可能。腦網絡標記的另一個關鍵應用可能是藥物開發。近幾十年來，精神疾病的藥物發現停滯不前——涉及的高成本和隨機對照研究經常無法證實與安慰劑的顯著差異，導致許多製藥公司退出藥物發現過程。「一個關鍵原因是精神疾病是一種綜合症，患者不能輕易地被歸入生物學上統一的群體，」Sakai 說。

世界上首次嘗試使用機器學習來輔助診斷抑鬱症

大腦網絡標記可以使研究人員將患者分為生物學上統一的亞型。然後有可能針對可能對特定亞型起作用的藥物進行臨床試驗。「我們相信我們的大腦網絡標記在這方面向前邁出了一大步，可以顯著提高藥物發現的成功率，」Sakai 說。「也有可能根據個人的 rs-fMRI 數據為他們預先選擇有效的藥物。」 最後，他們還在開發神經反饋技術來直接改善大腦網絡。酒井說，他期待看到這項技術改變精神疾病的診斷和治療。XNef 團隊熱衷於與使用其產品的精神科醫生進行密切溝通。他們承認該技術仍處於起步階段，該工具可能會受到謹慎和懷疑。

「我們將提交審批的腦網絡標記是世界上首次嘗試使用機器學習來輔助診斷抑鬱症。無法預測患者和精神科醫生的反應，」Sakai 說。「傳達關於我們的分類工具在客觀評估中的價值的詳細信息，並積極傾聽臨床醫生和患者的反饋並採取行動至關重要。」