长期以来，精神疾病领域的确诊和治疗让医生们伤透脑筋。由于人的大脑结构十分精密，精神疾病的发病机制也异常复杂，导致现有治疗方式无法彻底治愈患者，只能延缓疾病进展和维持生活功能，因此，“早预防、早诊断、早治疗”对于精神疾病尤为重要。但如何早诊断是个难题：病灶检测费时费力，比较麻烦；而传统的量表评估灵敏度又不够理想。
最近，美国佐治亚州立大学神经影像与数据科学转化研究中心（CenterforTranslationalResearchinNeuroimagingandDataScience，TReNDS）的七名科学家开发出了一种新型人工智能，有望通过筛选大脑成像数据实现对自闭症、精神分裂症和阿尔兹海默症等精神疾病的早期诊断。这种人工智能最大的优势在于能在疾病症状出现之前进行预测分析。该研究发表于顶级科学期刊《科学报告》（ScientificReports）。
图源：参考文献[1]
AI诊断工具妙处何在？
大脑的动态非常复杂，但它是理解大脑功能和功能障碍的关键。该项AI技术中的大脑成像数据来自于功能磁共振成像（fMRI），它通过检测血流的微小变化来测量大脑活动，其技术原理是在一段时间内连续采集大脑某区域的成像，如同纪录人脑工作的一部电影。相比血液测试和普通核磁共振，其可用数据丰富得多，但这也正是其挑战所在——数据是动态的、量大、维度多而复杂，人工解读的稳定性和准确度差。
图1：构建的研究框架。图源：参考文献[1]
一般来说，训练数据越大，深度学习模型的预测性能越好，但大多数神经影像学的数据收集成本高昂，因此很难获得大量训练数据。于是研究人员应用迁移学习法解决该问题。他们利用人类连接组计划（HumanConnectomeProject）中多健康者的大脑成像数据，对模型进行自监督的预训练(Self-supervisedpretraining)，使其能直接从这些海量的高维动态数据中学习，构建关于脑成像和脑功能的通用知识，然后将这些知识迁移到研究精神分裂症、自闭症和阿尔茨海默病的小数据集中。
研究小组输入位自闭症、精神分裂症、阿尔茨海默症患者的数据集建立了基础数据库，利用深度学习（Deeplearning）方法从中自动提取特征数据，生成反映疾病时空动态特征的显著图(Saliencymap)，通过解读这些大脑成像数据来识别以上三种精神疾病的征兆模式。
研究小组还提出了一个“保留和重新训练”（RetainAndRetrain，RAR）的方法，用以验证模型所生成的特征数据是否准确抓住了不同疾病中脑功能的独特动态特征。
类似于社交平台能通过用户的在线行为预测其喜好和未来的行为，该AI模型能通过大脑成像数据，找到精神疾病最有可能发生的“时刻”。例如有望在一个人40岁时就能检测出其是否有阿尔茨海默症的标志物，在大脑结构发生实质变化前就能预测风险（通常该病在65岁左右才会表现出相应症状），以便提供更及时有效的治疗。
TReNDS中心的创始主任、该研究的作者之一文斯·卡尔霍恩（VinceCalhoun）称，“即使我们从其他测试或家族史得知某人存在患阿尔茨海默症等疾病的风险，我们仍然无法预测疾病确切的发生时间。目前，我们试图通过大脑成像，在疾病临床出现前，捕获其征兆模式，缩小预测时间窗口。”
AI诊断效果如何？
研究人员通过与标准机器学习模型的比较，发现基于深度学习的自监督预训练提高了模型对自闭症、精神分裂症和阿尔兹海默症的预测性能。
预训练成功后，研究小组验证了模型所提取的特征数据对疾病的鉴别和预测性能，发现即使使用样本很少（15个受试者）的疾病数据集，该模型也可捕捉到适于区分患者与对照组（健康人群）的大脑动态特征。
图2：预训练模型的主要结果及其与标准机器学习模型（SML）的比较
图源:参考文献[1]
他们还基于模型提取的显著性数据（Saliencydata），分析了脑功能网络的连通性，结果显示三种疾病的大脑动态各异，具有不同的动态特征。
图3：RAR依据显著性数据对脑功能网络连结（FNCs）进行分类。
图源：参考文献[1]
AI诊断前景怎样？
深度学习模型通常需要大量的数据来进行有效训练，然而在神经影像学领域，收集大量疾病数据昂贵且难度大。研究小组的结果表明，可通过自监督的预训练，让模型从海量的健康人群的数据集中学习，然后把知识迁移到小规模的疾病数据集上，从而减少收集大量疾病数据的需求。
疾病数据的可解释性和可视化对医学发展的意义不容忽视，这其中医学专家的参与必不可少。深度学习模型在神经影像领域可用作临床支持性工具，但其生成的数据需要通过人类专家的解读，才能更好地验证和指导与疾病相关的发现。如何实现人工智能技术与临床医疗的有机融合将是未来研究的重要议题。
此外，研究小组提到本次研究更
