“机器学习”发现了抑郁症新的大脑网络特征，为新疗法提供信息

人工智能技术的崛起。

与人类相比，计算机有着许多“先天的优势”。比如说极快的运算速度、准确的记忆能力，这些都是普通人无法比拟的。

近些年来，随着人工智能技术的发展，“机器学习”已经渐渐成为人们熟知的一个词汇。计算机在各种如图像识别、声音识别等领域的能力已经开始赶超人类。

以阿尔法狗为代表的机器学习“产品”。

2016年3月，阿尔法狗（AlphaGo，又名阿尔法围棋）以4：1的比分战胜了职业九段棋手、围棋世界冠军李世石。次年5月，排名世界第一的围棋冠军柯洁迎战阿尔法狗，不幸以0：3的总比分落败。

阿尔法狗由谷歌旗下DeepMind公司开发，以“深度学习”为主要工作原理。“深度学习”就是实现“机器学习”，最终打开通往人工智能道路的一种方法。

机器学习能否应用在抑郁症相关研究上？

如上述所说，机器学习已经逐渐在各方面崭露头角，那么我们有没有可能将其运用在治疗抑郁症方面呢？

还真有相关的研究。

（《PLOS Biology》期刊）

最近，日本京都国际先进电信研究院的山下幸男及其同事在期刊《大众科学图书馆生物学》（《PLOS Biology》）上发表了他们的最新研究成果。

通过机器学习的方法，山下幸男及其同事已经能够确定抑郁症患者大脑不同部位之间新的、不同的协调活动模式——即使使用不同的“协议”来检测这些大脑网络。（此处的“协议”指不同机构对大脑成像使用的不同流程、规定和约束等）

概括的来说，山下幸男的研究通过机器学习得到抑郁者患者新的大脑结构，可以在日后诊断抑郁症时派上用场，提高诊断抑郁症的准确率。除此之外，还可能会在开发新的药物、治疗方法方面提供更多的帮助。

虽然抑郁症通常很容易诊断，但更好地了解与抑郁症相关的大脑网络结构可以起到抛砖引玉、改善治疗策略的作用。机器学习算法可以应用到抑郁症患者大脑活动的数据中，以便找到这种联系。

这个研究有什么特别的？

事实上，山下幸男的并不是第一个将机器学习应用在“研究抑郁症大脑结构”上的人。

早在这项研究之前，就已经有不少的研究人员将机器学习作为他们的研究工具，用来探索抑郁症。然而，大多数研究只关注特定的抑郁症亚型、或者他们没有考虑到不同医疗机构大脑成像“协议”之间的差异。

为了应对这些挑战，山下幸男和他的同事利用机器学习分析了共713人的大脑网络数据，其中149人患有重度抑郁症。

这些数据是用一种叫做静息状态功能磁共振成像（rs-fMRI）的技术收集的，这种技术检测大脑的活动并产生图像，揭示大脑不同部分之间的协调活动或“功能联系”。成像是在不同的机构使用不同的“协议”进行的。

机器学习方法识别并发现了影像数据中关键性的联系，这些联系可以作为抑郁症患者的大脑网络特征。

目前，当研究人员将这一新特征应用到不同机构收集的521名其他人的rs-fMRI数据中时，他们在确定这些新人中哪些人可能患有严重抑郁症方面达到了70%的准确率。

总结：新的成果需要时间的沉淀。

研究人员希望，他们发现的新脑网络结构可以应用于不同的成像“协议”，可以作为发现与抑郁症的亚型相关的脑网络模式的基础，并揭示抑郁症和其他疾病之间的关系。

总的来说，本次研究通过机器学习的方式发现了新的脑网络结构，可以在识别抑郁症患者上提供帮助。不仅如此，更好地了解抑郁症患者的脑网络连接可以帮助患者找到有效的治疗方法，并为新疗法的开发提供信息。

没有什么发明是一蹴而就的。既然机器学习已经进入了抑郁症研究的领域，我们就慢慢期待吧。