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，國內最新的流調數據顯示，我國抑郁癥的終生患病率為6.9%[1]。根據WHO的報告，全球有5000多萬因抑郁癥致殘患者，占全球殘疾總人數的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、技術及應用系統的一門學科。AI可以被描述為由計算系統完成的智能，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、準確性和質量[6]。1993年第1篇在抑郁癥中使用AI的，2010年起論文總數大幅上升，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通過結合個體行為、臨床資料、生理信號等數據，實現抑郁癥發(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，分析結果受數據數量和質量的影響，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、皮質厚度數據，采用支持向量機技術（supportvectorma⁃chines,SVM）預測5年內抑郁癥發(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，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，說明使用調查數據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、行為數據進行分析。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的多種模型相結合，用于識別患有抑郁癥的兒童，發(fā)現對于高質量的語音數據，應用SVM進行數據處理，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合，采用卷積神經網絡中的深度神經網絡分析方法，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，研究根據手機使用行為方式篩查抑郁癥患者的可能性，發(fā)現用戶手機使用行為、年齡、性別作為自變量的RF分類器表現出最佳性能（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系統通過收集網絡上發(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、皮膚電數據進行分析，準確度均在65%以上。將這3種模式（即腦電圖數據、眼動跟蹤信息和皮膚電數據）組合用作分類器的輸入，發(fā)現通過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，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)建結果度量模型，發(fā)現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合進行預測，發(fā)現利用治療后1周的數據預測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和腦電圖結合，預測抑郁癥患者經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，一些研究通過聯合使用磁共振結構相數據和ML技術預測電休克療法對抑郁癥患者是否有效，已經發(fā)現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。如何實現智能手段對疾病的預測、鑒別、診斷、治療，需要足夠的樣本數據充分覆蓋每個群體的特征進行計算，避免出現由于抽樣誤差導致的數據偏倚。

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，但數據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，在數據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：因臨床數據越來越復雜，研究人員必須處理不同類型、不同來源的大數據，如人口數據、圖像數據、遺傳信息數據、社交網絡數據等[30]。臨床數據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，因此大多數研究僅停留在模型建立等理論基礎上，還未將大數據分析的成果轉化為臨床應用。

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，通過對大數據的分析，判斷疾病的發(fā)生與轉歸，逐步實現從“人工”向“智能”的轉變，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