抑郁癥領域人工智能的應用研究

前言：想要寫出一篇引人入勝的文章？我們特意為您整理了抑郁癥領域人工智能的應用研究范文，希望能給你帶來靈感和參考，敬請閱讀。

【摘要】抑郁癥是最常見的精神障礙之一，其患病率高、致殘致死率高，嚴重影響人群健康和社會功能。為了探尋更加高效、客觀的診療方法，近年來人工智能（artificialintelligence,AI）技術在抑郁癥中的應用越來越受到重視，為臨床實踐提供了新方法，并取得了初步成果。本文綜述了人工智能技術應用于抑郁癥發(fā)病預測、早期識別、輔助診斷、治療方案的最新研究進展，并討論了隨之而來的潛在問題與挑戰(zhàn)。

【關鍵詞】抑郁癥；人工智能；機器學習

抑郁癥是最常見的精神疾病之一，國內(nèi)最新的流調(diào)數(shù)據(jù)顯示，我國抑郁癥的終生患病率為6.9%[1]。根據(jù)WHO的報告，全球有5000多萬因抑郁癥致殘患者，占全球殘疾總?cè)藬?shù)的7.5%，是造成非致命健康損失的最大因素[2]。目前抑郁癥的診斷仍是基于精神科醫(yī)師的專業(yè)判斷和量表評估，“一對一”的診斷方式不僅嚴重依賴患者的主觀描述，而且占用大量醫(yī)療資源[3-4]，因此需要探尋更加高效、客觀的識別方法。此外，如果在抑郁癥發(fā)病前對高危人群進行有效預測，早期實施干預更有利于患者的預后。在治療方面，現(xiàn)有的抑郁癥治療策略周期較長，且患者對治療的敏感度不同，因此制定個體化的最佳治療方案變得尤為重要。近年來人工智能（artificialintelligence,AI）技術在抑郁癥中的應用日趨增多并取得了初步成果，現(xiàn)將其在臨床診療中的最新進展綜述如下。

一、人工智能技術與抑郁癥

人工智能一詞，在1956年由McCarthy正式提出，是指研究、開發(fā)用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統(tǒng)的一門學科。AI可以被描述為由計算系統(tǒng)完成的智能，其中機器和設備能夠模仿人類的認知功能，如學習、推理，并解決問題，AI領域主要包括機器人、機器學習、推理和決策、自然語言處理和計算機視覺等[5]。由于AI的巨大潛力，在該領域建立短短幾年后，已應用于醫(yī)學領域，以提高診療的速度、準確性和質(zhì)量[6]。1993年第1篇在抑郁癥中使用AI的，2010年起論文總數(shù)大幅上升，到2018年翻了一番，達到117篇[7]。目前，在抑郁癥領域頗受歡迎的是機器學習（machinelearning,ML）。作為AI的核心技術，ML通過結(jié)合個體行為、臨床資料、生理信號等數(shù)據(jù)，實現(xiàn)抑郁癥發(fā)病預測、早期識別與輔助診斷以及構建療效預測模型，從而幫助臨床醫(yī)師更好地制定患者的診斷和治療計劃。但ML的局限性在于，分析結(jié)果受數(shù)據(jù)數(shù)量和質(zhì)量的影響，并不足以取代醫(yī)師的觀察、評估和實驗室檢查。因此，需要精神科醫(yī)師與ML從業(yè)人員合作開發(fā)AI技術，評估局限性和適用性，并設計改進和優(yōu)化方法。目前常用的ML方法包括監(jiān)督式、無監(jiān)督式和深度學習等，此外，文本分析、虛擬現(xiàn)實技術也常應用于抑郁癥診療。

二、人工智能技術在抑郁癥中的應用形式

1.發(fā)病預測：對于尚未出現(xiàn)抑郁癥狀的高危人群，基于其自身的危險因素對今后的發(fā)作風險進行評估，可更好地指導潛在抑郁癥患者關注自己的情緒及行為。一項研究將ML與MRI相結(jié)合預測抑郁癥的發(fā)作，通過采集33名10~15歲少女各腦區(qū)的灰質(zhì)、皮質(zhì)厚度數(shù)據(jù)，采用支持向量機技術（supportvectorma⁃chines,SVM）預測5年內(nèi)抑郁癥發(fā)作概率，總體準確率達到70%（敏感性69％，特異性70％）[8]。近期，韓國有研究使用隨機森林模型（randomforest,RF）發(fā)現(xiàn)，家庭關系、社會關系和家庭收入的滿意度對于構建抑郁癥發(fā)病風險的預測模型很重要，說明使用調(diào)查數(shù)據(jù)預測抑郁癥的未來發(fā)作有潛力[9]。針對抑郁癥的發(fā)病預測，目前主要是使用不同的ML方法對生理、行為數(shù)據(jù)進行分析。此類研究雖然還處于嘗試階段，未正式投入臨床應用，但已顯示出巨大潛力，未來可為抑郁癥的一級預防提供支持。

2.早期識別：早期的抑郁癥狀很容易與單純的情緒低落相混淆，不易被察覺，導致患者錯失治療的最佳時機。現(xiàn)階段研究主要方向是將ML方法與腦電、語音信息、手機使用行為、可穿戴設備采集的信息以及文本自動分析技術相結(jié)合，對抑郁癥人群進行早期識別。McGinnis等[10]將3min語音任務和ML的多種模型相結(jié)合，用于識別患有抑郁癥的兒童，發(fā)現(xiàn)對于高質(zhì)量的語音數(shù)據(jù)，應用SVM進行數(shù)據(jù)處理，準確性可達80％（敏感性為62％，特異性為89％）。Acharya等[11]提出一種新穎的計算機模型，使用ML方法與腦電圖技術相結(jié)合，采用卷積神經(jīng)網(wǎng)絡中的深度神經(jīng)網(wǎng)絡分析方法，基于左半球和右半球的腦電信號進行抑郁癥篩查的準確度分別為93.5％和96.0％。Razavi等[12]通過RF等一系列機器學習分類算法，研究根據(jù)手機使用行為方式篩查抑郁癥患者的可能性，發(fā)現(xiàn)用戶手機使用行為、年齡、性別作為自變量的RF分類器表現(xiàn)出最佳性能（敏感性為78.7%，特異性為83.5%）。另外，也可利用機器學習算法對可穿戴設備采集的睡眠時間、心率、皮膚溫度等信息進行分析，來識別抑郁癥患者[13]。在通過對文本的分析識別抑郁癥患者的研究中，Pedasis系統(tǒng)通過收集網(wǎng)絡上發(fā)表的帖子和與線上心理咨詢師對話中的詞匯，識別抑郁跡象[14]。Househ研究團隊也正開發(fā)一款“聊天機器人”，對心理疾病進行初步篩查[15]。AI在抑郁癥的早期識別方面取得了可觀進展，可以降低人群中抑郁癥早期篩查的假陰性率，為疾病早期診斷治療提供更多可能。但同時也存在一定的誤診率，需要臨床醫(yī)師進一步診斷，因此不可完全依賴于AI的分析結(jié)果，需視應用場景而定。

3.輔助診斷：目前抑郁癥的診斷是以精神科醫(yī)師的精神檢查為主，這雖然無法用技術替代，但為了實現(xiàn)更加客觀、高效的診斷，AI技術逐步應用于對抑郁癥患者的輔助診斷，主要方法包括ML、語音識別等。ML與MRI技術的結(jié)合，可以輔助診斷抑郁癥，同時也可以反映抑郁癥的嚴重程度。基于體素-相關向量機模型的診斷準確率為85%，敏感性為84%，特異性為85%，基于體素-特征形態(tài)-相關向量機模型的診斷準確率為90%，敏感性為93%，特異性為87%，后者雖提高了總體預測準確性，但提升幅度未超過5%[16]。國內(nèi)也有研究者利用不同的ML方法，對腦電圖、眼動追蹤信息、皮膚電數(shù)據(jù)進行分析，準確度均在65%以上。將這3種模式（即腦電圖數(shù)據(jù)、眼動跟蹤信息和皮膚電數(shù)據(jù)）組合用作分類器的輸入，發(fā)現(xiàn)通過logistic算法獲得的準確度最高為79.6％，在整體上提高了診斷準確性[17]。語音是臨床極易獲取的非侵入式信息。研究發(fā)現(xiàn)，聲譜能量的變化程度與抑郁的嚴重程度增加相關[18]。通過對抑郁癥患者語音特征進行計算，并使用ML方法創(chuàng)建結(jié)果度量模型，發(fā)現(xiàn)個體訓練模型與患者實際臨床狀態(tài)之間具有高度相關性（高達0.78）[19]。此外，AI技術也可以用于量表開發(fā)，促進情感障礙的高效鑒別診斷。通常雙相情感障礙與抑郁癥難以鑒別，有研究利用機器學習的RF模型來優(yōu)化情感障礙評估量表（affectivedisorderevaluationscale,ADE），進而開發(fā)出更為簡潔的中文雙相情感障礙診斷清單（bipolardiagnosischecklistinChinese,BDCC），并將其應用于臨床實踐，便于對雙相情感障礙和抑郁癥進行快速有效的鑒別診斷[20]。

4.治療（1）療效預測：研究表明抑郁癥的早期干預和治療與更好的預后相關[21]，但抑郁癥的治療起效一般較慢，往往需要數(shù)周才能判斷是否有效，會導致患者的治療依從性下降，也延長了患者恢復良好心理狀態(tài)的時間，因此早期判斷患者治療措施的有效性至關重要。利用AI技術預測療效可以縮短有效起始治療所需的時間。有學者將ML與治療前腦電圖相結(jié)合，預測選擇性5-羥色胺再攝取抑制劑（selectiveserotoninreup⁃takeinhibitor,SSRI）對特定的抑郁癥患者是否有效，該方法特異性為80.9％，靈敏度為94.9％，總預測準確度為87.9％[22]。Browning等[23]采用SVM將情感分類任務、情緒回憶任務和面部表情識別任務的特征與問卷特征結(jié)合進行預測，發(fā)現(xiàn)利用治療后1周的數(shù)據(jù)預測4~6周后的療效，準確性為77％。除了對藥物療效進行預測，也可以通過ML方法對物理治療的療效進行有效預測。Zandvakili等[24]將ML和腦電圖結(jié)合，預測抑郁癥患者經(jīng)顱磁刺激治療是否有效，預測模型具有高特異度，可以成為臨床個體化治療的有效篩選工具。同樣，一些研究通過聯(lián)合使用磁共振結(jié)構相數(shù)據(jù)和ML技術預測電休克療法對抑郁癥患者是否有效，已經(jīng)發(fā)現(xiàn)一些潛在的生物標志物，通過SVM預測的準確率為78.3％，使用高斯過程分類器（Gaussianprocessclassifier,GPC）準確率達到73.9％，兩種分類器的結(jié)果接近[25]。通過ML算法利用腦電圖、MRI、生理信號對患者預期療效的判斷已取得初步成果，體現(xiàn)了ML在抑郁癥治療決策中的重大意義。隨著AI技術的不斷發(fā)展，將實現(xiàn)更加精準的治療。（2）心理治療：通過構建虛擬場景、虛擬人物，結(jié)合心理治療師對抑郁癥患者進行認知行為治療、人際心理治療。研究表明，15例患者經(jīng)過為期5周的治療，12例抑郁癥狀改善，其中5例明顯改善，可見虛擬現(xiàn)實技術在抑郁癥的心理治療方面有較大的應用潛力，但還存在硬件方面的限制，影響了其推廣應用[26]。借助虛擬現(xiàn)實技術開展心理治療時，還可利用ML算法開發(fā)心理智能聊天機器人（Tess）。Tess可以提供多種心理干預措施，如認知行為療法、正念療法、人際心理治療等，對患者進行心理健康支持、心理教育，有效緩解了患者的抑郁癥狀[27]。盡管AI不能取代心理治療師的角色，但仍提供了一種經(jīng)濟高效的治療方案，同時也可以作為心理治療的輔助工具在臨床應用。

三、人工智能技術在抑郁癥應用中存在的問題

1.樣本代表性較差：目前大部分基于人工智能對抑郁癥診療的研究普遍樣本量較小，不能很好地反映總體抑郁癥人群的特征。如何實現(xiàn)智能手段對疾病的預測、鑒別、診斷、治療，需要足夠的樣本數(shù)據(jù)充分覆蓋每個群體的特征進行計算，避免出現(xiàn)由于抽樣誤差導致的數(shù)據(jù)偏倚。

2.智能手機相關的倫理問題：智能手機為代表的移動設備雖然為患者帶來了諸多好處，但對加強隱私保密措施的研究仍然有限。盡管患者的信息通常是匿名的，但數(shù)據(jù)重新識別技術仍然對個人信息構成潛在威脅[28]。由于抑郁癥患者的特殊性，臨床信息的泄漏可能會導致情緒創(chuàng)傷、惡化病情。因此，未來的政策應著重于隱私問題的解決，在數(shù)據(jù)的有益利用與個人隱私之間取得平衡[29]。

3.臨床應用面臨的困難：因臨床數(shù)據(jù)越來越復雜，研究人員必須處理不同類型、不同來源的大數(shù)據(jù)，如人口數(shù)據(jù)、圖像數(shù)據(jù)、遺傳信息數(shù)據(jù)、社交網(wǎng)絡數(shù)據(jù)等[30]。臨床數(shù)據(jù)的多樣性增加了設計算法和建立推理模型時的復雜程度和困難程度，因此大多數(shù)研究僅停留在模型建立等理論基礎上，還未將大數(shù)據(jù)分析的成果轉(zhuǎn)化為臨床應用。

四、展望

AI技術對于抑郁癥的診療研究，已在影像、智能穿戴、文本識別等方面有了突破。這些研究旨在用機器代替醫(yī)師完成診療中的重復性工作，通過對大數(shù)據(jù)的分析，判斷疾病的發(fā)生與轉(zhuǎn)歸，逐步實現(xiàn)從“人工”向“智能”的轉(zhuǎn)變，為診療提供新手段、新思路。未來的研究應該進一步提高預測、診斷的準確度，并解決樣本量不足的問題，不斷完善AI技術，使其能夠投入臨床應用，減少醫(yī)療資源浪費、提高工作效率，為抑郁癥患者提供更加有效的個性化治療方案。

作者：韓佳麗 豐雷 單位：首都醫(yī)科大學附屬北京安定醫(yī)院