陈根：人工智能时代，精神疾病的困境和出路_风闻

文/陈根

受益于计算机技术的快速发展，人工智能已广泛地渗透和应用于诸多垂直领域，切入不同场景和应用。疫情无疑为人工智能的发展打开了新的窗口，开辟了丰富的实践场。从传统制造业的数字化转型到线上教育、云办公兴起；在医疗方面，人工智能落地图像识别，提升了医疗效率。可以说，一个“泛在智能”的世界已加速成为现实。

在这样的背景下，一个数字的世界被全面建构。人工智能除了在我们所熟悉的社会生活发挥着高效便捷的作用，更在一些小众却必要的领域具有无可比拟的优势和潜力，比如精神疾病的诊断。

精神疾病诊断的困境与出路

我国目前严重精神障碍患者约有1600万。WHO预测，到2020年抑郁症将会成为危害人类健康的第2大类疾病。但约30%的患者对抗抑郁药物无反应，在有反应人群中只有1/3的患者获得临床缓解。

目前，精神疾病的诊断依据主要是国际疾病分类、精神障碍诊断与统计手册，需要有经验的医生依据调查问卷和自己的经验进行判断。

由于血液检测查不出抑郁症，脑部扫描也没法提前检查出焦虑症，活组织检查更不可能诊断出自杀的念头。所以，就算精神病学家担心新冠肺炎疫情会对人们的精神健康造成严重影响，也没有简单的方法来检测这一点。

**在医学领域中，没有任何可靠的生物标记可以用来诊断精神疾病。精神病学家们想找出发现思想消极的捷径却总是得不到结果，这使许多精神病学的发展停滞不前。**这就让精神疾病的诊断变得缓慢、困难并且主观，阻止了研究人员理解各种精神疾病的真正本质和原因，也研究不出更好的治疗方法。

但这样的困境并不绝对。事实上，精神科医生诊断所依据的患者语言给精神病的诊断突破提供了重要的线索。

1908年，瑞士精神病学家欧根·布卢勒宣布了他和同事们正在研究的一种疾病的名称：精神分裂症。**他注意到这种疾病的症状是如何“在语言中表现出来的”****。**但是他补充说，“这种异常不在于语言本身，而在于它表达的东西。”

布卢勒是最早关注精神分裂症“阴性”症状的学者之一，也就是健康的人身上不会出现的症状。这些症状不如所谓的“阳性”症状那么明显，阳性症状表明出现了额外的症状，比如幻觉。最常见的负面症状之一是口吃或语言障碍，患者会尽量少说，经常使用模糊的、重复的、刻板的短语。这就是精神病学家所说的低语义密度。

**低语义密度是患者可能患有精神病风险的一个警示信号。**有些研究项目表明，患有精神病的高风险人群一般很少使用“我的”、“他的”或“我们的”等所有格代词。基于此，研究人员把对于精神疾病的诊断突破转向了机器对语义的识别。

研究表明，2016年全球约有23.4亿人使用数字媒体，预计到2020年将进一步增加到29.5亿。根据中国互联网络信息中心（CNNIC）第45次发布《中国互联网络发展状况统计报告》，截至今年3月，我国网民规模达9.04亿。**这意味着，**无处不在的智能手机和社交媒体让人们的语言从未像现在这样容易被记录、数字化和分析。

通过移动设备所获得的大量与健康相关的数据的价值可能远超过如体检、实验室检查和影像学检查等一些传统定义疾病表型的方法，对疾病的诊断和评估具有更高的价值。**事实上，已经有****越来越多的研究人员开始筛选人们产生的数据来寻找抑郁、焦虑、双相情感障碍和其他综合症的迹象——从我们的语言选择、我们的睡眠模式到我们给朋友打电话的频率，**这些数据与对这些数据的分析，就被称为数据表型。

通过数字表型，个体与数字科学的结合影响着从诊断、治疗到慢性病管理的疾病整个谱系。在精神病学领域引进数字表型，能够更密切和持续地测量患者日常生活中的各种生物特征信息，如情绪、活动、心率和睡眠。并且，数字表型可以将这些信息与临床症状联系起来，从而改善临床实践。

从疾病预测倒方案评估

相较于传统精神病学只能依赖于个别精神病学家的技能、经验和意见的诊断来说，以人工智能为依托的数据表型无疑具有无可比拟的优势和潜力，包括疾病预测、疾病持续的评估监测、疾病治疗方案评估。

**首先，在疾病预测方面，****数字表型方面最先进的应用可能是预测双相情感障碍患者的行为。**通过研究人们的手机，精神病学家已经能够捕捉到事件发生前的微妙迹象。当双相患者情绪低落时，他们手机上的GPS传感器会显示他们不太活跃。他们接电话的次数变少，打出去的电话也变少，而且看屏幕的时间也会变长。相比之下，在躁狂阶段到来之前，他们走动得更多，发的短信更多，打电话的时间也更长。

而一项探索性的研究发现，与正常对照的Twitter用户相比，患有精神分裂症的Twitter用户发布的有关抑郁和焦虑的推文频率更高，这与线下观察到的精神分裂症患者的临床症状相符合。研究还发现，社交和娱乐应用地越多，压力和激惹性情绪就越低。这就提示着，利用网络平台提供精神疾病症状相关的数字表型，可以为疾病的预测和管理提供新的途径。

**另外，针对没有精神疾病的普通人，人机交互的信息也可为情绪预测提供帮助。**在另一项研究中，研究人员使用智能手机传感器预测32名健康受试者为期2个月的情绪变化，研究分析了通话的数量及时长、短信及电子邮件的数量、应用程序的使用数量及模式、浏览器的历史链接及位置变化的信息，预测情绪变化的准确率为66%，采用个性化预测模型后其预测准确度可提高到93%。

其次，很多研究已经证实，持续性的监测比零星的临床访谈评估可以为疾病提供更有用的信号。但目前针对精神疾病的评估存在许多局限性。首先，这些评估方法是非生态性的，通常需要被试者脱离日常生活行为来完成特定的评估任务；其次，评估存在偶发性，包括评估地点及评估人员在内的限制性资源使得这些方法的可拓展性很差；最后，这些方法容易受到回忆错误及主观偏见的影响。

数据表型则提供了持续性的评估监测机制，使用随身携带的电子设备获得有关患者行为、认知或经历上发生变化的信息。这将给医生带来更多时间来防治那些风险最高的患者，或许还能更密切地观察他们，甚至尝试治疗以减少精神病发作的几率。

最后，对于疾病治疗方案的评估，从可穿戴设备、移动设备、社交媒体等获得的数据中收集到的治疗效果信息是对传统疗效评估的重要补充。****一个神经内科在线跟踪疾病社区成员的数字表型的案例研究证实，锂盐在减缓肌萎缩侧索硬化症患者的疾病进展方面缺乏有效性。这些发现后来被复制到几个更慢、更昂贵的随机对照试验中。而****通过在线跟踪精神疾病社区成员的数字表型，来评估治疗方案对患者的疗效，有利于治疗方案的调整及个体化治疗方案的制定。

数据表型不可回避之挑战

尽管相较于传统的诊断方法，数字表型存在生态性、持续监测、与现实世界的需求相平行、易于推广等优势，但其应用依旧面临挑战。

**首先，**把医疗信息上传到应用程序，对患者和临床工作者都有潜在风险。其中的一个问题是，这些医疗信息会被第三方获得。

理论上，隐私法应该阻止精神健康数据的传播。美国已经实施了24年的HIPAA法规规范了医疗数据的共享，而欧洲的数据保护法案GDPR理论上也应该阻止这种行为。但监控机构“国际隐私组织（Privacy International）”2019年的一份报告发现，在法国、德国和英国，有关抑郁症的热门网站将用户数据泄露给了广告商、数据经纪人和大型科技公司，而一些提供抑郁症测试的网站也将答案和测试结果泄露给了第三方。

**其次，**一些伦理学家担心，数字表型模糊了什么可以作为医疗数据分类、管理和保护的界限。如果日常生活的细节是我们精神健康留下的线索，那么人们的“数字化日常”就可以像机密医疗记录中的信息一样，告诉别人其精神状态。比如，我们选择使用的词汇，我们对短信和电话的反应有多快，我们刷帖子的频率有多高，我们点赞了哪些帖子。我们几乎不可能在这些信息中隐藏自己。

斯坦福大学的伦理学家尼科尔·马丁内斯·马丁说：“这项技术已经把我们推到了保护某些类型信息的传统模式之外。当所有数据都可能是健康数据时，那么健康信息例外论是否还有意义等相关问题就会大量涌现。”

**最后，通过智能手机或可穿戴设备获得的数字表型必须证明其在临床有效性方面的价值。**数据所带来的决策改善及效率的提高是否对降低发病率、复发率及死亡率有所帮助目前仍无法明确。很少有医学领域可以单独通过监测来提供更好的临床结果。并且，目前现有的一些在预测情绪方面的研究大多是在实验室实验设置下或人工环境下，对没有精神障碍的学生或普通人进行的研究。被分析的人数有限，且研究时限较短。

综上，尽管数字表型分析具有揭示人类本质的巨大潜力，但目前数字表型依旧面临隐私方面的风险和诊疗的不确定性。因此，科学和个人层面减少危害和增加数字表型效益将是数字表型推广的先决条件。

当然，数字表型代表了在心理学和医学的许多领域实施心理诊断的新的有力工具。基于社交媒体、智能手机和其他物联网来源的数字足迹的人工智能分析可用于精神疾病的诊断与精准治疗，这也是人工智能相较于传统精神疾病诊断的无可比拟的优势和潜力所在。