抑郁癥領(lǐng)域人工智能的應(yīng)用研究

抑郁癥領(lǐng)域人工智能的應(yīng)用研究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(yán)重影響人群健康和社會(huì)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(shù)在抑郁癥中的應(yīng)用越來越受到重視，為臨床實(shí)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(shù)應(yīng)用于抑郁癥發(fā)病預(yù)測(cè)、早期識(shí)別、輔助診斷、治療方案的最新研究進(jìn)展，并討論了隨之而來的潛在問題與挑戰(zhàn)。【關(guān)鍵詞】抑郁癥；人工智能；機(jī)器學(xué)習(xí)抑郁癥是最常見的精神疾病之一，國(guó)內(nèi)最新的流調(diào)數(shù)據(jù)顯示，我國(guó)抑郁癥的終生患病率為6.9%[1]。根據(jù)WHO的報(bào)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(píng)估，“一對(duì)一”的診斷方式不僅嚴(yán)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(shí)別方法。此外，如果在抑郁癥發(fā)病前對(duì)高危人群進(jìn)行有效預(yù)測(cè)，早期實(shí)施干預(yù)更有利于患者的預(yù)后。在治療方面，現(xiàn)有的抑郁癥治療策略周期較長(zhǎng)，且患者對(duì)治療的敏感度不同，因此制定個(gè)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(shù)在抑郁癥中的應(yīng)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(jìn)展綜述如下。一、人工智能技術(shù)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(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門學(xué)科。AI可以被描述為由計(jì)算系統(tǒng)完成的智能，其中機(jī)器和設(shè)備能夠模仿人類的認(rèn)知功能，如學(xué)習(xí)、推理，并解決問題，AI領(lǐng)域主要包括機(jī)器人、機(jī)器學(xué)習(xí)、推理和決策、自然語(yǔ)言處理和計(jì)算機(jī)視覺等[5]。由于AI的巨大潛力，在該領(lǐng)域建立短短幾年后，已應(yīng)用于醫(yī)學(xué)領(lǐng)域，以提高診療的速度、準(zhǔn)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(dá)到117篇[7]。目前，在抑郁癥領(lǐng)域頗受歡迎的是機(jī)器學(xué)習(xí)（machinelearning,ML）。作為AI的核心技術(shù)，ML通過結(jié)合個(gè)體行為、臨床資料、生理信號(hào)等數(shù)據(jù)，實(shí)現(xiàn)抑郁癥發(fā)病預(yù)測(cè)、早期識(shí)別與輔助診斷以及構(gòu)建療效預(yù)測(cè)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(jì)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(píng)估和實(shí)驗(yàn)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(shù)，評(píng)估局限性和適用性，并設(shè)計(jì)改進(jìn)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(xué)習(xí)等，此外，文本分析、虛擬現(xiàn)實(shí)技術(shù)也常應(yīng)用于抑郁癥診療。二、人工智能技術(shù)在抑郁癥中的應(yīng)用形式1.發(fā)病預(yù)測(cè)：對(duì)于尚未出現(xiàn)抑郁癥狀的高危人群，基于其自身的危險(xiǎn)因素對(duì)今后的發(fā)作風(fēng)險(xiǎn)進(jìn)行評(píng)估，可更好地指導(dǎo)潛在抑郁癥患者關(guān)注自己的情緒及行為。一項(xiàng)研究將ML與MRI相結(jié)合預(yù)測(cè)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(jī)技術(shù)（supportvectorma?chines,SVM）預(yù)測(cè)5年內(nèi)抑郁癥發(fā)作概率，總體準(zhǔn)確率達(dá)到70%（敏感性69％，特異性70％）[8]。近期，韓國(guó)有研究使用隨機(jī)森林模型（randomforest,RF）發(fā)現(xiàn)，家庭關(guān)系、社會(huì)關(guān)系和家庭收入的滿意度對(duì)于構(gòu)建抑郁癥發(fā)病風(fēng)險(xiǎn)的預(yù)測(cè)模型很重要，說明使用調(diào)查數(shù)據(jù)預(yù)測(cè)抑郁癥的未來發(fā)作有潛力[9]。針對(duì)抑郁癥的發(fā)病預(yù)測(cè)，目前主要是使用不同的ML方法對(duì)生理、行為數(shù)據(jù)進(jìn)行分析。此類研究雖然還處于嘗試階段，未正式投入臨床應(yīng)用，但已顯示出巨大潛力，未來可為抑郁癥的一級(jí)預(yù)防提供支持。2.早期識(shí)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(dǎo)致患者錯(cuò)失治療的最佳時(shí)機(jī)。現(xiàn)階段研究主要方向是將ML方法與腦電、語(yǔ)音信息、手機(jī)使用行為、可穿戴設(shè)備采集的信息以及文本自動(dòng)分析技術(shù)相結(jié)合，對(duì)抑郁癥人群進(jìn)行早期識(shí)別。McGinnis等[10]將3min語(yǔ)音任務(wù)和ML的多種模型相結(jié)合，用于識(shí)別患有抑郁癥的兒童，發(fā)現(xiàn)對(duì)于高質(zhì)量的語(yǔ)音數(shù)據(jù)，應(yīng)用SVM進(jìn)行數(shù)據(jù)處理，準(zhǔn)確性可達(dá)80％（敏感性為62％，特異性為89％）。Acharya等[11]提出一種新穎的計(jì)算機(jī)模型，使用ML方法與腦電圖技術(shù)相結(jié)合，采用卷積神經(jīng)網(wǎng)絡(luò)中的深度神經(jīng)網(wǎng)絡(luò)分析方法，基于左半球和右半球的腦電信號(hào)進(jìn)行抑郁癥篩查的準(zhǔn)確度分別為93.5％和96.0％。Razavi等[12]通過RF等一系列機(jī)器學(xué)習(xí)分類算法，研究根據(jù)手機(jī)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(jī)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(jī)器學(xué)習(xí)算法對(duì)可穿戴設(shè)備采集的睡眠時(shí)間、心率、皮膚溫度等信息進(jìn)行分析，來識(shí)別抑郁癥患者[13]。在通過對(duì)文本的分析識(shí)別抑郁癥患者的研究中，Pedasis系統(tǒng)通過收集網(wǎng)絡(luò)上發(fā)表的帖子和與線上心理咨詢師對(duì)話中的詞匯，識(shí)別抑郁跡象[14]。Househ研究團(tuán)隊(duì)也正開發(fā)一款“聊天機(jī)器人”，對(duì)心理疾病進(jìn)行初步篩查[15]。AI在抑郁癥的早期識(shí)別方面取得了可觀進(jìn)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(shí)也存在一定的誤診率，需要臨床醫(yī)師進(jìn)一步診斷，因此不可完全依賴于AI的分析結(jié)果，需視應(yīng)用場(chǎng)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(shù)替代，但為了實(shí)現(xiàn)更加客觀、高效的診斷，AI技術(shù)逐步應(yīng)用于對(duì)抑郁癥患者的輔助診斷，主要方法包括ML、語(yǔ)音識(shí)別等。ML與MRI技術(shù)的結(jié)合，可以輔助診斷抑郁癥，同時(shí)也可以反映抑郁癥的嚴(yán)重程度?；隗w素-相關(guān)向量機(jī)模型的診斷準(zhǔn)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(guān)向量機(jī)模型的診斷準(zhǔn)確率為90%，敏感性為93%，特異性為87%，后者雖提高了總體預(yù)測(cè)準(zhǔn)確性，但提升幅度未超過5%[16]。國(guó)內(nèi)也有研究者利用不同的ML方法，對(duì)腦電圖、眼動(dòng)追蹤信息、皮膚電數(shù)據(jù)進(jìn)行分析，準(zhǔn)確度均在65%以上。將這3種模式（即腦電圖數(shù)據(jù)、眼動(dòng)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(zhǔn)確度最高為79.6％，在整體上提高了診斷準(zhǔn)確性[17]。語(yǔ)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(yán)重程度增加相關(guān)[18]。通過對(duì)抑郁癥患者語(yǔ)音特征進(jìn)行計(jì)算，并使用ML方法創(chuàng)建結(jié)果度量模型，發(fā)現(xiàn)個(gè)體訓(xùn)練模型與患者實(shí)際臨床狀態(tài)之間具有高度相關(guān)性（高達(dá)0.78）[19]。此外，AI技術(shù)也可以用于量表開發(fā)，促進(jìn)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(jī)器學(xué)習(xí)的RF模型來優(yōu)化情感障礙評(píng)估量表（affectivedisorderevaluationscale,ADE），進(jìn)而開發(fā)出更為簡(jiǎn)潔的中文雙相情感障礙診斷清單（bipolardiagnosischecklistinChinese,BDCC），并將其應(yīng)用于臨床實(shí)踐，便于對(duì)雙相情感障礙和抑郁癥進(jìn)行快速有效的鑒別診斷[20]。4.治療（1）療效預(yù)測(cè)：研究表明抑郁癥的早期干預(yù)和治療與更好的預(yù)后相關(guān)[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(huì)導(dǎo)致患者的治療依從性下降，也延長(zhǎng)了患者恢復(fù)良好心理狀態(tài)的時(shí)間，因此早期判斷患者治療措施的有效性至關(guān)重要。利用AI技術(shù)預(yù)測(cè)療效可以縮短有效起始治療所需的時(shí)間。有學(xué)者將ML與治療前腦電圖相結(jié)合，預(yù)測(cè)選擇性5-羥色胺再攝取抑制劑（selectiveserotoninreup?takeinhibitor,SSRI）對(duì)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(yù)測(cè)準(zhǔn)確度為87.9％[22]。Browning等[23]采用SVM將情感分類任務(wù)、情緒回憶任務(wù)和面部表情識(shí)別任務(wù)的特征與問卷特征結(jié)合進(jìn)行預(yù)測(cè)，發(fā)現(xiàn)利用治療后1周的數(shù)據(jù)預(yù)測(cè)4~6周后的療效，準(zhǔn)確性為77％。除了對(duì)藥物療效進(jìn)行預(yù)測(cè)，也可以通過ML方法對(duì)物理治療的療效進(jìn)行有效預(yù)測(cè)。Zandvakili等[24]將ML和腦電圖結(jié)合，預(yù)測(cè)抑郁癥患者經(jīng)顱磁刺激治療是否有效，預(yù)測(cè)模型具有高特異度，可以成為臨床個(gè)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(gòu)相數(shù)據(jù)和ML技術(shù)預(yù)測(cè)電休克療法對(duì)抑郁癥患者是否有效，已經(jīng)發(fā)現(xiàn)一些潛在的生物標(biāo)志物，通過SVM預(yù)測(cè)的準(zhǔn)確率為78.3％，使用高斯過程分類器（Gaussianprocessclassifier,GPC）準(zhǔn)確率達(dá)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(hào)對(duì)患者預(yù)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(shù)的不斷發(fā)展，將實(shí)現(xiàn)更加精準(zhǔn)的治療。（2）心理治療：通過構(gòu)建虛擬場(chǎng)景、虛擬人物，結(jié)合心理治療師對(duì)抑郁癥患者進(jìn)行認(rèn)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(shí)技術(shù)在抑郁癥的心理治療方面有較大的應(yīng)用潛力，但還存在硬件方面的限制，影響了其推廣應(yīng)用[26]。借助虛擬現(xiàn)實(shí)技術(shù)開展心理治療時(shí)，還可利用ML算法開發(fā)心理智能聊天機(jī)器人（Tess）。Tess可以提供多種心理干預(yù)措施，如認(rèn)知行為療法、正念療法、人際心理治療等，對(duì)患者進(jìn)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(jì)高效的治療方案，同時(shí)也可以作為心理治療的輔助工具在臨床應(yīng)用。三、人工智能技術(shù)在抑郁癥應(yīng)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(duì)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(shí)現(xiàn)智能手段對(duì)疾病的預(yù)測(cè)、鑒別、診斷、治療，需要足夠的樣本數(shù)據(jù)充分覆蓋每個(gè)群體的特征進(jìn)行計(jì)算，避免出現(xiàn)由于抽樣誤差導(dǎo)致的數(shù)據(jù)偏倚。2.智能手機(jī)相關(guān)的倫理問題：智能手機(jī)為代表的移動(dòng)設(shè)備雖然為患者帶來了諸多好處，但對(duì)加強(qiáng)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(shí)別技術(shù)仍然對(duì)個(gè)人信息構(gòu)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(huì)導(dǎo)致情緒創(chuàng)傷、惡化病情。因此，未來的政策應(yīng)著重于隱私問題的解決，在數(shù)據(jù)的有益利用與個(gè)人隱私之間取得平衡[29]。3.臨床應(yīng)用面臨的困難：因臨床數(shù)據(jù)越來越復(fù)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(luò)數(shù)據(jù)等[30]。臨床數(shù)據(jù)的多樣性增加了設(shè)計(jì)算法和建立推理模型時(shí)的復(fù)雜程度和困難程度，因此大多數(shù)研究?jī)H停留在模型建立等理論