腦科學吸引了眾多熱情的學生進入該領域，並投入了數百萬美元、歐元和人民幣來資助研究。然而，這些努力並沒有在治療精神疾病患者方面取得重大進展。
將研究轉化為療法的緩慢步伐源於理解精神疾病的內在困難。“精神病學處理的是大腦與世界以及與其他大腦的互動，因此我們不僅要考慮大腦的功能，還要考慮大腦在複雜情況下的功能，”瑞士聯邦理工學院（蘇黎世聯邦理工學院）和蘇黎世大學的昆汀·休伊斯說，他是本月發表在《自然神經科學》上的一篇關於新興計算精神病學領域綜述的主要作者。計算精神病學提出了一個雄心勃勃的目標，即使用複雜的數值工具來理解和治療精神疾病。[《大眾科學》是施普林格·自然的一部分。]
精神病學目前使用症狀列表來定義疾病。研究人員一直致力於尋找使診斷更客觀的生物標誌物，但進展緩慢。部分問題在於，生物原因和由症狀定義的疾病（例如《精神疾病診斷與統計手冊》第五版（DSM-5）中的疾病）之間通常不存在一對一的對應關係。一種特定的疾病，如抑鬱症或精神分裂症，可能由一系列不同的潛在原因（生物或其他原因）導致。另一方面，相同的原因最終可能會導致不同的人患上不同的疾病，這取決於他們的遺傳因素和生活經歷等因素。計算精神病學的目標之一是在症狀和原因之間建立聯絡，而無論診斷如何。
關於支援科學新聞
如果您喜歡這篇文章，請考慮透過以下方式支援我們屢獲殊榮的新聞報道： 訂閱。透過購買訂閱，您正在幫助確保有關塑造當今世界的發現和想法的具有影響力的故事的未來。
單個疾病內部存在的變異意味著兩個人可能具有相同的診斷，但沒有相同的症狀。此外，診斷之間存在顯著的重疊：許多症狀在多種疾病中共享，並且多種疾病經常同時發生。“為了應對這種複雜性，我們需要更強大的工具，”休伊斯說。
在大資料時代，神經科學家經常處理極高維度的資料集。資料型別繁多，包括神經解剖或活動以及認知、臨床、遺傳等資料。僅 fMRI 掃描生成的資料就可以由許多隨時間變化的值序列組成，其中每個數值序列代表大腦體積的單個單元的活動。計算精神病學的兩個主要分支之一涉及將機器學習技術應用於這些大型資料集，以查詢模式，而無需參考有關認知功能障礙或精神疾病的理論。
最初，這些“資料驅動”的努力側重於開發用於客觀診斷的自動化工具。例如，許多研究試圖使用在患有特定精神疾病的人的磁共振成像 (MRI) 掃描中看到的平均結構和功能性大腦差異來區分患有該疾病的人和未患該疾病的人。
在一些研究中獲得的適度準確性表明，這些疾病確實反映在大腦中，但在這些工具在臨床上可用之前，還有一些問題需要克服。例如，許多臨床病例是模糊的，並且尚不清楚傾向於使用明確案例開發的分類系統在這些情況下將有多大用處。此外，隨著症狀嚴重程度的增加，同時出現的疾病數量往往會增加，而分類系統往往將疾病視為相互排斥的。允許複雜多重診斷的技術更具挑戰性。
研究人員正在努力解決這些問題，隨著工具本身的改進和更多型別資料的新增，效能可能會提高。但是，在精神病學的分類系統發生巨大變化之前，將生物學與由症狀群定義的疾病聯絡起來的困難可能被證明是進展的根本限制。
這些問題導致了一種轉變，即分析旨在超越診斷，對特定個體的疾病進展做出預測，例如預測自殺風險或治療反應。“觀察臨床結果，例如復發風險或對特定治療的反應，可能更有趣，”倫敦大學學院神經科學和精神健康教授喬納森·羅伊澤說，他不是該評論的作者。“而且臨床上更有用。”
每位精神科醫生都想知道哪種治療方法最適合特定患者。許多研究發現了潛在的生物標誌物（例如，某些大腦區域的活動增加），這些生物標誌物可能有助於預測哪些患者會對哪些治療方法做出反應。一項研究甚至測試了這種方法是否可以改善隨機臨床試驗的結果。斯坦福大學精神病學家查爾斯·德巴蒂斯塔及其同事比較了從抑鬱症患者收集的腦電圖 (EEG)，以及來自 1,800 多名患者的腦電圖資料庫，其中包括有關對特定治療的反應的資訊。使用腦電圖測量來指導有關替代治療方案的決策，比臨床治療選擇的效果要好得多。
這些資料驅動的機器學習方法代表了一種解決精神疾病的方法，但並沒有揭示症狀發生的原因、這些症狀如何與大腦的解決問題過程相關，或者大腦如何實現這些過程。計算精神病學的另一方面涉及“理論驅動”的方法，該方法試圖在軟體中建模心理過程。抽象演算法可以模擬決策和其他認知過程，而無需擔心這種處理如何在大腦中發生。在另一個極端，生物學上逼真的模型根據電脈衝、化學信使、突觸連線等模擬實際的神經處理。
對涉及獎勵和懲罰情況下的決策過程的研究被稱為強化學習。研究人員認為，大腦在強化學習情況下采用兩種不同型別的過程。一種是簡單、快速、習慣性的形式，它使用基於過去獎勵行動的頻率的期望來預測行動的後果。預測的獎勵與實際獲得的獎勵之間的差異是“獎勵預測誤差”，可用於更新期望。另一種是較慢、更深思熟慮的目標導向控制形式，它使用有關世界的知識來思考（通常是多種）行動以評估可能的後果。這種方法更可靠，能夠快速適應環境變化，但也更密集和成本更高。
獎勵預測誤差的概念是由研究強化學習抽象模型的研究人員開發的，但後來的生理學研究發現，神經迴路實際上似乎使用訊號化學物質多巴胺來計算這些預測誤差。“抽象模型和生物物理實現之間的關係在這個領域得到了很好的理解，”普林斯頓大學的計算神經科學家納撒尼爾·道說。“從神經元和突觸到行為有一條強烈的聯絡。”
這一發現可能與精神病學有關：研究人員認為，獎勵評估和其他決策過程的變化是抑鬱症中快感缺乏症（無法享受事物或感到興奮）和強迫症（OCD）等疾病中出現的強迫行為的基礎。道及其同事領導的一項由紐約大學心理學家克萊爾·吉蘭領導的本月發表在《eLife》上的研究，使用了資料驅動的技術來分析從網際網路上收集的近 2,000 人的精神病學調查問卷答覆中的症狀模式。他們發現了一類強迫性症狀，包括侵入性思維，這在報告多種疾病症狀的人中很常見，包括強迫症、藥物濫用和一些飲食失調。
參與者還完成了一項旨在評估其決策過程的強化學習任務。研究人員發現，強迫程度與兩種強化學習過程之間的平衡差異有關，即偏愛快速、習慣性的型別而不是更深思熟慮、目標導向的形式。“我們對大腦系統的瞭解比 [精神病學診斷] 發明時要多得多，即大腦正在進行的計算和支援它們的機制，”道說。“現在是時候看看我們是否可以將 [這些系統] 與這些疾病聯絡起來，從而將疾病與大腦聯絡起來。”
休伊斯及其合著者認為，最大的回報可能來自於將這兩種方法結合起來。今天，精神科醫生可以獲得大量的資料，但是太多的資料可能和太少的資料一樣糟糕。給定資料中足夠的維度，模式分類技術可以將專案劃分為任何所需的子組，但這種解決方案不太可能“泛化”以正確分類新專案，使其在實踐中毫無用處。這個問題被稱為“過度擬合”。避免這種情況的訣竅是找到正確的資訊來捕捉群體之間系統且有意義的差異，同時避免只是偶然的“噪聲”差異。
理論驅動的模型可以透過將複雜的高維資料簡化為幾個具有理論意義的量來幫助簡化資料，這些量總結了重要的變化。示例可能是來自強化學習模型的學習率或來自神經活動模型的突觸連線強度。如果這些模型準確地描述了它們模仿的過程，則這些量可能用作分類和預測的資料。“建模起著一種雙重作用，”羅伊澤說。“它為功能障礙可能存在的地方提供了理論資訊，但也建立了可能有助於分類的更精確的資料特徵。”
一個例子是蘇黎世聯邦理工學院的凱·布羅德森（Kay Brodersen）及其同事在2013年進行的一項研究，他們使用大腦活動模型來識別精神分裂症患者的亞組。該團隊在參與者執行工作記憶任務時進行了腦部掃描，以構建動態活動如何在三個已知與工作記憶相關的腦區展開的模型（工作記憶是指在短期內保持資訊的能力，儘管存在競爭性需求或干擾）。這個網路包括視覺皮層（資訊進入的地方）、背外側前額葉皮層和頂葉皮層，這些區域已被證明對工作記憶至關重要。該模型生成了在工作記憶任務期間這三個區域之間連線強度的估計值，研究人員將其用作分類系統的資料。他們能夠使用這些量來區分患者和對照組，效果比使用更傳統的測量方法（例如三個區域的平均總體活動）更好。
該團隊還識別出三個不同的患者組，這些患者組在網路結構方面存在顯著差異。這些組的識別沒有使用任何關於患者症狀的資訊，但與具有不同程度的陰性症狀（社交退縮、動機降低等）的組相對應。這一結果與之前的研究相吻合，這些研究表明，具有較高程度陰性症狀的精神分裂症患者的工作記憶能力較低。“這是一個很好的例子，說明人們如何使用生物物理模型來改進分類，然後獲得了臨床相關的結果，”羅伊澤說。
計算精神病學還處於起步階段，仍在開發中的工具尚未準備好供精神科醫生使用。“下一步將是在縱向研究中驗證這些工具，並研究它們如何為治療決策提供資訊，”海斯說。“然後，必須在臨床試驗中測試它們改善結果的能力。”已經有證據表明，資料驅動的方法可以改善治療決策，而理論驅動的方法尚未被證明可以改善結果。“理論驅動的方法在重新定義我們對症狀的看法以及提供新的方法來彌合症狀和神經生物學之間的差距方面很有前景，”海斯說。“將這些方法結合起來應該會非常強大，但這仍處於早期發展階段。”
作為一個新興領域，計算精神病學有潛力改變傳統的治療方案。“我們很多人都覺得時機已經成熟，”道說。“這是一個很有希望的領域，但目前更多的是願景而不是回報。”