據世界衛生組織統計，每年約有80萬人死于自殺，而自殺也已成為當下威脅年輕人死亡的第二大因素。但作為心理健康臨床醫生來說，評估患者自殺風險儼然成為最具挑戰性的問題。美國科學家最新的一項研究顯示，這種靠主觀判斷的方法或可終結，利用機器學習診斷將會取而代之。

　　北京時間10月31日，國際學術期刊《自然》（Nature）子刊《自然-人類行為》（Nature Human Behaviour）發表了美國卡內基梅隆大學Marcel Adam Just等人的最新研究，利用機器學習技術表征人腦內自殺、積極、消極等相關概念，可以高度準確地區分具有自殺意圖的患者和健康對照組。該方法還可以進一步區分出，在具有自殺想法的人中哪些已做出過自殺嘗試，而哪些還沒有。

　　論文中指出，來自醫生甚至自殺患者本人的自殺報告實際效果通常不佳。就自殺患者而言，他們往往會掩飾自己的自殺意圖，這原本就是他們自殺計劃的一部分，另外這至少可以讓他們避免受到更多的限制對待。數據顯示，大約80%死于自殺的病人在其和心理醫療專業人員的最后一次對話中都否認自己有自殺意圖。

　　Marcel Adam Just等人認為在自殺患者臨床治療中，亟需一種不依賴于自我報告的自殺風險診斷方法。在他們的研究中，樣本選擇包括17位自殺患者和17位健康對照組。

　　研究組在實驗中設置了3組概念，分別包括自殺、積極和消極，每組包含10個單詞。例如，自殺概念中對應有冷漠、死亡、絕望等；積極概念中對應有欣喜若狂、無憂無慮、仁慈等；而消極概念中對應有厭倦、批評、殘忍等。

30個單詞

　　這30個單被用來向診斷對象分別展示3秒鐘，在展示過程中對其腦部進行功能性磁共振成像掃描（fMRI）。功能性磁共振成像是一種常用的神經影像學方式，能以毫米級的空間分辨率提供關于大腦代謝的信息，該信息由血氧水平依賴效應反應。

　　一般來說，當腦神經活化時，其附近的血流會增加來補充消耗掉的氧氣，從而引發血氧的改變。因此，功能性磁共振成像能準確定位特定感覺、知覺或認知任務下大腦功能區的激活分布。

　　結果發現，實驗設計的30個單詞中，其中6個單詞（死亡、殘忍、麻煩、無憂無慮、良好和贊美）的神經活動應答以及5個腦區的神經活動最能區分有自殺意圖的病人和健康對照組個體。

　　隨后，研究團隊訓練了一種機器學習算法，使用上述發現的信息來鑒定被診斷者是自殺患者還是健康對照個體。這一機器學習算法準確鑒定出17位自殺病人組中的15位，以及17位健康對照組中的16位。

　　不僅如此，研究團隊還專門針對17位自殺患者進一步訓練了一種新的機器學習算法，以區分哪些患者已經嘗試過自殺（實際有9位），而哪些尚未嘗試（實際有8位）。最后，新的機器學習算法準確區分出了其中16位的真實情況，準確率達94%。

　　除上述在區分自殺患者方面的創新性診斷方法，該論文還強調，這種機器學習的方法正在被越來越廣泛地使用，成為功能性神經影像診斷的重要手段。一般來說，神經活動信號不會位于單一的大腦區域，而是分布于多個區域，并同時產生。研究者需要采用像機器學習這樣的能分析多元甚至網狀數據的方法。

　　不過，在期刊官網隨附的新聞和觀點文章中提到，該研究樣本數量不大，因此有必要進行重復實驗。如果能復制并擴展到其它精神疾病群體，那么Just等人此番新開發出的方法將有望成為診斷神經精神疾病的主要醫學工具。