使用代码而不是精神科医生的一个好处是，其结果会在所有患者中保持一致，而您的心理健康评估结果却可能因医生而异。另一方面，据称这种特定的软件在诊断精神分裂症患者时成功率达到 74%——这意味着它搞错了超过了四分之一的病例——所以你现在还不需要从医院院校退学。

        一个来自阿尔伯塔大学、卡尔加里和孟菲斯大学的团队和来自 IBM 的人员共同开展了上述计划——一个能够预测人类精神分裂症的计算模型，该模型的准确率达到了 74%——并于五月份在《Nature》合作杂志《Schizophrenia》公开了他们的研究成果。

        时间来到了七月，蓝色巨人如同以往一样地迅速和灵活，开始宣传人工智能能够如何帮助预测精神分裂症。于是，我们决定认真了解一下。

        精神障碍——如精神分裂症是非常复杂的。病因和生物学与行为之间的关系在很大程度上仍然是未知的。阿尔伯塔大学 Alberta Machine Intelligence Institute(AMII)的一位教授及这篇论文的合作编写者之一的 Russell Greiner 表示，诊断依赖于精神病学测试，而结果往往是主观的。

        为了更客观地研究精神分裂症，研究人员收集了 95 个测试对象的 MRI 脑补扫描数据。其中 46 人被医生诊断为精神分裂症，而其余 49 人是健康的。被扫描时，接受测试者被要求执行一个简单的任务，将测试他们的灰质，然后对他们进行扫描，显示神经元的组织状况。

        为了确保测试结果的公平，接受测试的人需要在扫描过程中执行相同的任务：当他们听到一个“奇怪的”音调时——这个奇怪的声音混杂在其他的声音之中——他们就要按一个按钮。

        因此，扫描为研究人员提供了每个人的脑部模型。然后将每个模型分解成 27,000 个三位像素，每个三维像素在大脑内代表一个小的个体三维空间。

        线性支持向量算法通过查看每个体素中发生的情况来分析脑区域互连的强度。这种简单的机器学习代码选出了确定哪些生理特征与精神分裂症密切相关的大脑模式。例如，它学习了解到，大脑丘脑和主要运动皮层区域之间的紧密联系是精神障碍的一个非常好的预测因素。

        然后将该信息用于训练稀疏多元回归—— 一种分类算法——以确定某人是否患有精神分裂症。

        这篇论文的共同编写者及 AMII 的博士后研究员 Mina Gheiratmand 对《TheRegister》的记者表示，“医疗数据难以获得，这是一个小型数据集。”

        研究人员使用 94 个对象供软件进行学习，然后留下了一个对象进行实验的测试。他们将相同的过程执行了 95 次，每次进行不同的扫描进行测试，最终所有的测试平均获得 74%的平均准确度。换句话说，该团队在 95 个研究对象中选择了 94 个进行研究，告诉软件哪些大脑的主人被诊断患有精神分裂症，然后让软件自己想办法弄清楚如何识别它们，最后用剩下的对象测试其新学习的能力。然后重复一遍又一遍用不同的测试对象进行测试。

        这并不是最好的结果，但是这是显示精神障碍在未来可能会由计算机进行诊断的第一步，Greiner 对《TheRegister》的记者表示：

        “现在还处在非常早期的阶段，在这类技术可以被用于临床环境之前，还有很多的挑战需要应对。我们需要尝试不同的数据集，并更好地了解精神分裂症。”

        在 IBM 的 Computational Psychiatry and Neuroimaging(计算精神病学和神经影像学)小组工作的研究人员 Guillermo Cecchi 表示：“精神分裂症是一种具有挑战性的疾病，因为它不能被归结为单一机制或特定领域。这是我们试图通过将大脑视为网络来解决的问题，但我们的理论和实验方法都是有限的。”

        Guillermo Cecchi 表示：“而且，像许多其他疾病一样，它不是疾病的‘单一’实例，而是出现在一个频谱上，就像癌症的情况一样。这意味着我们需要更好地表征其症状，这是多维的，而不是仅仅是给出一个“是”或者“不是”的结论……这是我们尝试通过影像进行临床规模的推测想要解决的问题，但是也需要改进临床评估本身的流程。”