机器学习用于抑郁障碍识别诊断，效果如何？

Posted 2021-04-27 精神时间

抑郁障碍作为一种具体发病机制不明的常见精神障碍，正在影响着全球近乎 2.64 亿患者的身心健康。

目前可供使用的抑郁障碍治疗手段多样，包括有抗抑郁剂和心理治疗在内的多种治疗手段已被证实有确切临床收效。然而，限于诊断技术的技术性局限和不易普及性，许许多多的抑郁障碍患者尚难以得到及时规范的诊断和治疗。

既往一项 meta 分析显示，在初级医疗保健机构中，仅有约 50% 的抑郁障碍患者得到识别诊断，而最终得到规范治疗的患者仅占全体抑郁障碍患者的 15% 左右。

造成以上现状的原因可能包括以下 3 点：（1）患者病耻感；（2）躯体化症状的影响；（3）抑郁障碍确诊往往需要以患者既往 2 周发病表现为基础，这就要求患者能够记清楚既往 2 周的发病细节。

解决上述出现的诊断率较低这一问题，依赖于抑郁障碍诊断技术的革新。随着近几年计算机算力的大幅提升和新兴数字精神病学的发展，机器学习已然成为医工结合相关跨学科研究的热点。

为了进一步验证机器学习用于抑郁障碍诊断的有效性，来自巴西里约热内卢联邦大学的 Filho 学者做了一项比较基于不同计算机算法诊断抑郁障碍精度的评价研究，研究结果发表在近期的 Journal of Psychiatric Research 中。

研究基于巴西国家心血管疾病研究网络收集到的临床、实验室和社会人口统计学数据，纳入比较的机器学习算法模型包括 8 种，分别为：逻辑回归（Logistic Regression，LR）、分类和回归树（Classification and Regression Tree，CART）、自适应增强（Adaptive Boosting，AB）、梯度增强（Gradient Boosting，GB）、极端渐变增强（Extreme Gradient Boosting，XGB）、随机森林（Random Forests，RF）、K最近邻（K-Nearest-Neighbors，KNN）以及支持向量机（Support Vector Machine，SVM）。

研究结果发现，一些计算机算法模型可以较好地用于提高抑郁障碍诊断率，8 种纳入比较的算法模型中，以 RF、KNN 和 XGB3 种算法表现最佳。研究提示，机器学习仍然会成为未来相当长一段时间的数字精神病学领域研究热点，机器学习算法的创新迭代将为未来更大人群范围内抑郁障碍诊断工作的进步提供强大助力。

题图 | 站酷海洛

策划 | 江十一

欢迎投稿 | [e-mail]