借助机器学习算法识别自杀倾向者

更多腾讯海量技术文章，请关注云+社区：https://cloud.tencent.com/developer

研究人员通过脑部扫描算法识别自杀倾向者

对于有自杀想法和机会的人来说，提到“死亡”或“赞美”这样的富有浓烈感情色彩的词语时，其脑中的神经元有着完全不同于常人的激活方式。匹兹堡大学和卡内基梅隆大学的研究人员发现了这一现象，并且使用fMRI(功能磁共振成像)扫描脑部数据，训练算法识别有自杀倾向者。

科学家于周一在《 自然人类行为》杂志上发表了他们的小规模研究成果。他们希望能够研究更多的人，并利用这些数据进行简单的测试，让医生更容易地识别有自杀风险的人。

根据美国疾病控制与预防中心的数据，自杀在年轻人的死因中位列第二。但预测自杀企图目前仍是一个难题。当下的方法依赖于患者通过问卷或面谈形成的个人报告，较不可靠。来自宾夕法尼亚州的匹兹堡大学的自杀研究专家David Brent也是上述报告的合作者，他提到，与病人交流的治疗师可能会错过一些征兆，或者在面谈时病人状态还好，但是晚些时候会截然不同，抑或是病人可能会说谎。 他说，“病人可能有理由表现得不诚实，因为他们并不想住院。所有这些因素让准确地预测病人变得更加困难。”

然而，Brent和他的同事发现，大脑的扫描结果可以显露真实病情，尤其在应用算法分析时。Brent说：“我们试着弄清楚人们在有自杀想法时，他们的大脑发生了什么变化。 “

使用fMRI扫描显示，相较于没有想过自杀的人，诸如“死亡”、“困难”、“无忧无虑”和“赞美”这样有强烈感情色彩的词汇，会在有自杀倾向人群的大脑中触发不同的活动模式。这意味着，有自杀倾向的人会以不同于常人的方式来思考这些概念，这一点可以从大脑活动的水平和模式，或是神经上的特征得到佐证。

我们需要使用机器学习算法来识别神经特征，如在这个例子中用到了高斯朴素贝叶斯分类器。同样参与项目合作的心理学教授Marcel Just，来自位于匹兹堡的卡内基梅隆大学，他表示：“一个人要区分两个群体的样本之间的差异是非常困难的，这涉及到计算样本大脑多个区域中多个要素的激活程度。我不知道分类器完成这项工作具体要多久，但大概是几秒钟的级别。”

在这项研究中，研究人员招募了34名年龄在18-30岁之间的志愿者，其中一半有自杀倾向，另一半则没有。他们向参与者展示了一系列与生活中的积极和消极情绪有关，或与自杀有关的单词，并要求他们想想这些词语。

研究人员用功能磁共振成像，记录了志愿者在想到这些词汇时的脑血流量，并将这些数据提供给算法，标志出哪些志愿者有自杀风险，哪些没有。接着，算法开始学习有自杀倾向者大脑中的神经特征。

然后，他们输入新的神经特征数据，来测试算法是否能进行准确预测。这些数据从其他研究对象得到，包含是否有自杀倾向的信息。最终，分类器的精确度达到了91%。另外，分类器能以94％的准确率识别出哪些志愿者实际上尝试过自杀，而不只是有这样的想法。

Just和Brent说，把人放在功能性核磁共振成像仪上扫描，来看看他们是否有自杀倾向，这可能并不实际的。相反，他们希望利用这些数据实现廉价的测试或问卷，更可靠地评估自杀风险。

例如，这项研究将某些情绪与自杀联系起来。Brent说：“如果这些情形可以准确地对应，你可以借此深入研究，并可能将情绪与自发分离开来。或者你可以用它来监测他们的治疗进展，特别是在心理治疗方面。” 但首先，他们必须进行更大规模的研究，才能确认这些情绪和触发词与自杀有关。

其他研究团队也提出了一些采用计算机工程技术的自杀评估方法。Louis-Philippe Morency和来自辛辛那提儿童医院的John Pestian开发的预测自杀倾向技术，通过语言和听觉模式，评估声音以判断自杀风险。另外，还有十几个利用机器学习挖掘电子健康档案来预测自杀倾向的项目，其中一项由纳什维尔的范德比尔特大学的Colin Walsh开发。该项目回溯追踪了电子健康记录中的用药、受伤和语言记录，并预测了下一周内哪些患者试图自杀以及何时施行。

Marcel Just正在研究一项类似于fMRI研究的新研究，在这项研究中，他用EEG(脑电图)测量与自杀相关情绪的神经信号。与使用fMRI方法相比，这种技术更为便宜、使用。

“这项技术如果有效的话，将是非常有帮助的。“Just说，“这个为期两年的项目里，这项技术现在已经使用了六个月。 ”

翻译人：蘑蘑蘑的菇，该成员来自云+社区翻译社

原文作者：Emily Waltz