据世界卫生组织统计，每年约有80万人死于自杀，而自杀也已成为当下威胁年轻人死亡的第二大因素。但作为心理健康临床医生来说，评估患者自杀风险俨然成为最具挑战性的问题。美国app家最新的一项研究显示，这种靠主观判断的方法或可终结，利用机器学习诊断将会取而代之。

北京时间10月31日，国际学术期刊《自然》（Nature）子刊《自然-人类行为》（Nature Human Behaviour）发表了美国卡内基梅隆大学Marcel Adam Just等人的最新研究，利用机器学习技术表征人脑内自杀、积极、消极等相关概念，可以高度准确地区分具有自杀意图的患者和健康对照组。该方法还可以进一步区分出，在具有自杀想法的人中哪些已做出过自杀尝试，而哪些还没有。

论文中指出，来自医生甚至自杀患者本人的自杀手机版实际效果通常不佳。就自杀患者而言，他们往往会掩饰自己的自杀意图，这原本就是他们自杀计划的一部分，另外这至少可以让他们避免受到更多的限制对待。数据显示，大约80%死于自杀的病人在其和心理医疗专业人员的最后一次对话中都否认自己有自杀意图。

Marcel Adam Just等人认为在自杀患者临床治疗中，亟需一种不依赖于自我手机版的自杀风险诊断方法。在他们的研究中，样本选择包括17位自杀患者和17位健康对照组。

研究组在实验中设置了3组概念，分别包括自杀、积极和消极，每组包含10个单词。例如，自杀概念中对应有冷漠、死亡、绝望等；积极概念中对应有欣喜若狂、无忧无虑、仁慈等；而消极概念中对应有厌倦、批评、残忍等。

30个单词

这30个单被用来向诊断对象分别展示3秒钟，在展示过程中对其脑部进行功能性磁共振成像扫描（fMRI）。功能性磁共振成像是一种常用的神经影像学方式，能以毫米级的空间分辨率提供关于大脑代谢的信息，该信息由血氧水平依赖效应反应。

一般来说，当脑神经活化时，其附近的血流会增加来补充消耗掉的氧气，从而引发血氧的改变。因此，功能性磁共振成像能准确定位特定感觉、知觉或认知任务下大脑功能区的激活分布。

结果发现，实验设计的30个单词中，其中6个单词（死亡、残忍、麻烦、无忧无虑、良好和赞美）的神经活动应答以及5个脑区的神经活动最能区分有自杀意图的病人和健康对照组个体。

随后，研究团队训练了一种机器学习算法，使用上述发现的信息来鉴定被诊断者是自杀患者还是健康对照个体。这一机器学习算法准确鉴定出17位自杀病人组中的15位，以及17位健康对照组中的16位。

不仅如此，研究团队还专门针对17位自杀患者进一步训练了一种新的机器学习算法，以区分哪些患者已经尝试过自杀（实际有9位），而哪些尚未尝试（实际有8位）。最后，新的机器学习算法准确区分出了其中16位的真实情况，准确率达94%。

除上述在区分自杀患者方面的创新性诊断方法，该论文还强调，这种机器学习的方法正在被越来越广泛地使用，成为功能性神经影像诊断的重要手段。一般来说，神经活动信号不会位于单一的大脑区域，而是分布于多个区域，并同时产生。研究者需要采用像机器学习这样的能分析多元甚至网状数据的方法。

不过，在期刊官网随附的手机版和观点文章中提到，该研究样本数量不大，因此有必要进行重复实验。如果能复制并扩展到其它精神疾病群体，那么Just等人此番新开发出的方法将有望成为诊断神经精神疾病的主要明升手机版工具。