大多数现代医学都有物理测试或客观技术来定义我们的疾病。然而，精神疾病的诊断在这方面是欠缺的，当然也没有任何程序可以区分具有相似症状的不同精神疾病。
目前的精神病学诊断，虽然是可用的最好的模式，但由于三个主要因素其可靠性不高：患者的异质性（即患者的心理状态、提供可靠信息的能力以及临床表现的差异)，临床医生不一致(即，同一案例的不同意见)和术语不足。
由于疾病分类学是精神病学的一个关键方面，它是患者评估和治疗选择的基础，因此以客观评估为中心的诊断，可以建立一个更可靠的分类决策，这对精神病患者是很有帮助的。神经影像学是一种可能有助于诊断过程的客观手段，尽管引起了人们的极大兴趣，但它目前并未用于辅助精神病学的诊断决策。
东京大学(UniversityofTokyo)的专家们正在将机器学习与脑成像工具结合起来，重新定义精神疾病的诊断标准。
“精神科医生，包括我在内，经常与患者及其老师、朋友和父母谈论症状和行为。医院或诊所与患者会面，而基本不参与他们的日常生活。我们只能且必须利用主观的、二手的信息做出医学结论，”东京大学副教授ShinsukeKoike博士解释说，“坦率地说，我们需要客观的措施。”
重叠症状的挑战
其他研究人员设计了机器学习算法，以区分那些有精神健康状况的人和自愿作为此类实验“对照组”的非患者。
Koike说:“区分谁是病人，谁是控制组是很容易的，但是要区分不同类型的病人就不那么容易了。”
东京大学的研究小组表示，他们的研究是第一个区分多种精神病诊断的研究，包括自闭症谱系障碍和精神分裂症。尽管流行文化对自闭症的描述截然不同，但科学家们一直怀疑自闭症和精神分裂症之间存在某种联系。
自闭症谱系障碍患者患精神分裂症的风险是普通人群的10倍。自闭症需要社会支持，但精神分裂症一般需要药物治疗，所以区分这两种情况或知道它们何时同时发病是非常重要的。
计算机将大脑图像转化成数字世界
一个由医疗和机器学习专家组成的跨学科团队，对名日本成年人的MRI(磁共振成像)脑部扫描进行了计算机算法训练，这些患者包括已经被诊断为自闭症谱系障碍或精神分裂症的人，精神分裂症高危人群，首发性精神病患者，以及没有精神健康问题的神经型患者。所有患有自闭症的志愿者都是男性，但在其群体中，男性和女性志愿者的人数大致相等。
机器学习使用统计学信息查找大量数据中的模式。这些程序发现组内的相似性和组间的差异，这些经常发生的差异很难被当作巧合而忽略。这项研究使用了六种不同的算法来区分患者组的不同MRI图像。
在这项研究中使用的算法，学会了将不同的精神疾病诊断与MRI图像中大脑的厚度、表面积或体积的变化联系起来。目前还不清楚为什么特定的心理健康状况会导致大脑的生理差异。
拓宽诊断之间的界限
训练结束后，对另外43名患者的脑部扫描结果进行了算法测试。机器的诊断结果与精神科医生的评估结果一致，具有很高的可靠性和高达85%的准确率。
重要的是，机器学习算法可以区分非患者、自闭症谱系障碍患者和精神分裂症患者或精神分裂症高危人群。
机器有助于塑造精神病学的未来
研究团队指出，成功地区分非患者和有精神分裂症风险的个体的大脑，这可能表明，导致精神分裂症的大脑生理差异在症状出现之前就已经存在，并随着时间的推移保持一致。
研究小组还注意到，大脑皮层的厚度，即大脑顶部1.5-5厘米，是正确区分自闭症谱系障碍、精神分裂症和高危个体的最有用的特征。这揭示了皮层厚度在区分不同精神疾病中的重要作用，并可能指导未来的研究，以了解精神疾病的原因。
尽管研究团队使用大约人的脑部扫描来训练他们的机器学习算法，但所有的数据都是在年至年的一台核磁共振机器上收集的，这确保了图像的一致性。
“如果你用iPhone或安卓(Android)手机拍照，照片会略有不同。核磁共振机器也是如此——每个核磁共振成像都有细微的不同，因此在设计像我们这样的新的机器学习时，我们使用相同的核磁共振机器和完全相同的核磁共振程序。”Koike说。
现在他们的机器学习算法已经证明了其价值，研究人员计划开始使用更大的数据集，并希望协调多站点研究来训练这个程序，使其能够适用于不同的核磁共振设备。
参考文献Yassin,W.,Nakatani,H.,Zhu,Y.etal.Machine-learningclassificationusingneuroimagingdatainschizophrenia,autism,ultra-highriskandfirst-episodepsychosis.TranslPsychiatry10,().
