本文转载自公众号“读芯术”(ID：AI_Discovery)。
机器学习这一话题早已远远超出了它的起源——计算机科学，渗透到了众多的公共和私营行业以及各种不同的学术学科。尽管机器学习技术和人工智能(AI)这两个术语经常可以互换使用，但其实前者通常被认为是更广泛的人工智能(AI)领域的一个子集。
医疗保健业就是尝试将运用机器学习技术的领域之一。目前，医疗行业中应用最广泛的人工智能技术就是机器学习，它在改善患者身体健康以及心理健康等方面都有所涉足。
医疗保健行业内机器学习应用的目标一般是增强临床理解与改善患者护理。具体来说，越来越多的研究都将重点放在使用机器学习来改善患者的筛查、诊断、临床决策和特定治疗结果上。
相较于机器学习在身体健康领域的应用来说，它在心理健康领域的应用仍比较落后。不过我们很开心能看到，近年来有关机器学习改善人们心理健康方面的研究数量增长十分迅速。
心理健康是一个庞大的产业，这一领域的机器学习研究已经被应用到了大量的课题，包括药物治疗、临床诊断、心理治疗结果，它甚至可以预测严重精神疾病的发生。更具体地说，上述几个方面机器学习在心理健康领域的应用往往聚焦于某一特定的诊断群体，有时甚至会细化到该心理疾病的某一特定治疗方式。
目前机器学习研究中最普遍的诊断群体也是心理健康疾病中最普遍的病症——抑郁症。据估计，仅在美国，2017年就有超过1700万成年人至少有过一次严重的抑郁症发作经历，这个数字占总人口的比例高达7%。
虽然机器学习在抑郁症中的应用研究并不是什么新鲜事，但其实，这方面的研究最近才刚开始获得重大进展。
对所有机器学习在抑郁症中的应用相关论文进行文献分析后发现，第一篇相关论文发表于1993年。然而，直到1999年第二篇论文才被发表出来，此后每年都有稳定而缓慢的增长。最近，我们发现有关抑郁症中机器学习的研究数量增速渐长，尤其是在过去的三年里，该数量的指数级增长尤为明显。
鉴于这种发展趋势可以肯定，我们仍然处于机器学习在抑郁症方面应用研究的早期阶段。这是一个充满希望和令人兴奋的研究领域，众多方面的研究还有待展开。
当前应用
机器学习在抑郁症诊疗中最突出、普遍的应用之一，就是其在药物治疗结果上的使用。事实上，检索在抑郁症诊疗中应用机器学习的期刊你就会发现，大部分的论文都将重点放在了精神药物治疗上。
其中一项著名的研究结合了之前9项抑郁症研究的临床数据，利用机器学习对相关症状进行聚类，随后建立了一个机器学习模型来评估几种主要抗抑郁药物的疗效。结果发现了三组症状，并发现研究涉及的几种抗抑郁药的疗效存在统计学上的显著差异。这表明医生在给抑郁症患者开药时，应该根据患者所表现的具体症状对症下药。
认知、心理运动和情感测试等具体的心理评估工具也用来对结果进行分类。这些聚类被用来预测心理药物治疗后的反应，结果显示，某些生物标记与有效抗抑郁药物处方有关。
机器学习还应用于完成初始药物治疗方案后如何缓解抗抑郁症症状这一课题的研究中，这是抑郁症治疗(用药)中一个突出、反复出现的问题。
研究人员基于临床评估数据来训练机器学习模型，对三种不同抗抑郁药物的作用(12周后)进行分类。结果表明，所分析的164个临床特征能够以60%的准确率预测三种药物治疗方案中的两种方案对抑郁症的缓解情况。
虽然在文献中不常见，但机器学习也应用于抑郁症除药物治疗外其他形式的治疗结果。还有两类抑郁症治疗数据也较为突出，即心理治疗结果和影像学数据(如磁共振成像扫描)。
关于使用机器学习预测单相和双相抑郁症治疗结果的首个荟萃分析评估了包括心理治疗在内所有形式的抑郁症治疗数据。在对639项潜在研究进行初步抽象分析后，研究人员针对其中的75项研究进行了全文通览，发现其中的26项研究是在利用机器学习算法来预测抑郁症治疗结果，符合本研究纳入标准。
这些研究结果普遍支持机器学习在预测治疗结果方面的有效性，综合成功率为82%(P < .05)，并表示使用多种数据类型的算法最为有效。当专门对MRI数据进行决策树训练，对初始抗抑郁治疗8周后的缓解率进行分类时，发现MRI可以成功识别出一部分可能对初始抗抑郁治疗无反应的患者。
机器学习在抑郁症中的另一个比较有前景的应用涉及利用统计和建模来重新定义当前的症状和诊断，这一方面也更广泛地应用于心理健康诊断中。这将是一项浩大的工程，很可能会遇到几十年来的重大阻力，因为现状是根据心理疾病诊断的理论类别来定义诊断分组，而它们并不总是与真实的心理疾病症状相吻合。
其潜在的好处包括改善疾病识别，从而开发更有效的干预措施和药物，并随之降低心理疾病的巨大经济和社会成本。
考虑到对诊断分类进行全面改造可能会引起反作用，研究人员们提出了一种折中方法：将数据驱动的机器学习与理论驱动的模型相结合。具体来说，在这种方法中，理论模型通过减少输入到机器学习算法中变量的数量来指导特征选择过程。
实例表明，这种类型的方法可以改善其他医学或神经疾病(如帕金森氏症)的结果，因此将类似的方法应用于心理疾病的诊疗中可以改善诊断和治疗结果。
尽管有关机器学习在抑郁症诊疗方面应用的研究前景十分光明，但仍需考虑一些潜在的实践和伦理问题。
一些实际问题限制了研究的实用性，比如从不同来源汇总数据的挑战，以及在现实世界中对实际的心理疾病患者进行研究中常用的措施(例如核磁共振成像)的困难。
而伦理方面的问题包括：确保患者确实想知道自己是否身处风险之中，以及给某人贴上重度抑郁症等心理疾病标签所带来的潜在不利影响和耻辱感。
对于心理健康服务的提供者和消费者来说，这是一个激动人心的时刻。随着我们进入机器学习研究的美丽新世界，并逐渐了解如何将其最好地应用于我们的领域，抑郁症新的诊断和治疗方案即将出现。
目前这一领域的研究数量呈指数级增长，证明了机器学习对心理健康护理的潜在影响。但同时，我们看到的仅仅是机器学习全部可能性的一小部分而已。我们开始发现数十年来对于如何最好地治疗心理疾病发生了转变，甚至连诊断分组本身都受到了考验。
具体到抑郁症治疗方面，我们看到机器学习成功应用于改善抗抑郁症的效果，能降低缓解率，并对特定药物有反应的群体更好地进行分类。多种不同来源的数据用于改善这些治疗结果，包括心理和认知测试，以及MRI扫描和其他成像技术。
此外，机器学习技术正在应用于特定心理治疗方式，以治疗抑郁症、提升治疗效果，并确定对特定类型治疗反应最好的患者和症状表现。
未来的研究很可能会沿着这条道路继续下去，因为目前基础的有效性和可靠性得到了检验，随后可以在此基础上进行改进。考虑到目前应用于心理治疗的机器学习研究相对缺乏，并且鉴于治疗是抑郁症最常见、最成功的长期治疗方法之一(与药物治疗齐名)，笔者猜测，我们将开始看到机器学习研究在这一领域的激增。
药物治疗的结果更容易被概念化和测试，并且与历史较长的医学研究有更多的重叠，很可能会继续受到超乎寻常的关注。
虽然存在一些问题，但机器学习在抑郁症治疗中的应用前景是十分广阔的，相信AI能帮助人类走出“阴霾”。
