脑科学吸引了众多热情的学生进入该领域，并投入了数百万美元、欧元和人民币来资助研究。然而，这些努力并没有在治疗精神疾病患者方面取得重大进展。
将研究转化为疗法的缓慢步伐源于理解精神疾病的内在困难。“精神病学处理的是大脑与世界以及与其他大脑的互动，因此我们不仅要考虑大脑的功能，还要考虑大脑在复杂情况下的功能，”瑞士联邦理工学院（苏黎世联邦理工学院）和苏黎世大学的昆汀·休伊斯说，他是本月发表在《自然神经科学》上的一篇关于新兴计算精神病学领域综述的主要作者。计算精神病学提出了一个雄心勃勃的目标，即使用复杂的数值工具来理解和治疗精神疾病。[《大众科学》是施普林格·自然的一部分。]
精神病学目前使用症状列表来定义疾病。研究人员一直致力于寻找使诊断更客观的生物标志物，但进展缓慢。部分问题在于，生物原因和由症状定义的疾病（例如《精神疾病诊断与统计手册》第五版（DSM-5）中的疾病）之间通常不存在一对一的对应关系。一种特定的疾病，如抑郁症或精神分裂症，可能由一系列不同的潜在原因（生物或其他原因）导致。另一方面，相同的原因最终可能会导致不同的人患上不同的疾病，这取决于他们的遗传因素和生活经历等因素。计算精神病学的目标之一是在症状和原因之间建立联系，而无论诊断如何。
关于支持科学新闻
如果您喜欢这篇文章，请考虑通过以下方式支持我们屡获殊荣的新闻报道： 订阅。通过购买订阅，您正在帮助确保有关塑造当今世界的发现和想法的具有影响力的故事的未来。
单个疾病内部存在的变异意味着两个人可能具有相同的诊断，但没有相同的症状。此外，诊断之间存在显着的重叠：许多症状在多种疾病中共享，并且多种疾病经常同时发生。“为了应对这种复杂性，我们需要更强大的工具，”休伊斯说。
在大数据时代，神经科学家经常处理极高维度的数据集。数据类型繁多，包括神经解剖或活动以及认知、临床、遗传等数据。仅 fMRI 扫描生成的数据就可以由许多随时间变化的值序列组成，其中每个数值序列代表大脑体积的单个单元的活动。计算精神病学的两个主要分支之一涉及将机器学习技术应用于这些大型数据集，以查找模式，而无需参考有关认知功能障碍或精神疾病的理论。
最初，这些“数据驱动”的努力侧重于开发用于客观诊断的自动化工具。例如，许多研究试图使用在患有特定精神疾病的人的磁共振成像 (MRI) 扫描中看到的平均结构和功能性大脑差异来区分患有该疾病的人和未患该疾病的人。
在一些研究中获得的适度准确性表明，这些疾病确实反映在大脑中，但在这些工具在临床上可用之前，还有一些问题需要克服。例如，许多临床病例是模糊的，并且尚不清楚倾向于使用明确案例开发的分类系统在这些情况下将有多大用处。此外，随着症状严重程度的增加，同时出现的疾病数量往往会增加，而分类系统往往将疾病视为相互排斥的。允许复杂多重诊断的技术更具挑战性。
研究人员正在努力解决这些问题，随着工具本身的改进和更多类型数据的添加，性能可能会提高。但是，在精神病学的分类系统发生巨大变化之前，将生物学与由症状群定义的疾病联系起来的困难可能被证明是进展的根本限制。
这些问题导致了一种转变，即分析旨在超越诊断，对特定个体的疾病进展做出预测，例如预测自杀风险或治疗反应。“观察临床结果，例如复发风险或对特定治疗的反应，可能更有趣，”伦敦大学学院神经科学和精神健康教授乔纳森·罗伊泽说，他不是该评论的作者。“而且临床上更有用。”
每位精神科医生都想知道哪种治疗方法最适合特定患者。许多研究发现了潜在的生物标志物（例如，某些大脑区域的活动增加），这些生物标志物可能有助于预测哪些患者会对哪些治疗方法做出反应。一项研究甚至测试了这种方法是否可以改善随机临床试验的结果。斯坦福大学精神病学家查尔斯·德巴蒂斯塔及其同事比较了从抑郁症患者收集的脑电图 (EEG)，以及来自 1,800 多名患者的脑电图数据库，其中包括有关对特定治疗的反应的信息。使用脑电图测量来指导有关替代治疗方案的决策，比临床治疗选择的效果要好得多。
这些数据驱动的机器学习方法代表了一种解决精神疾病的方法，但并没有揭示症状发生的原因、这些症状如何与大脑的解决问题过程相关，或者大脑如何实现这些过程。计算精神病学的另一方面涉及“理论驱动”的方法，该方法试图在软件中建模心理过程。抽象算法可以模拟决策和其他认知过程，而无需担心这种处理如何在大脑中发生。在另一个极端，生物学上逼真的模型根据电脉冲、化学信使、突触连接等模拟实际的神经处理。
对涉及奖励和惩罚情况下的决策过程的研究被称为强化学习。研究人员认为，大脑在强化学习情况下采用两种不同类型的过程。一种是简单、快速、习惯性的形式，它使用基于过去奖励行动的频率的期望来预测行动的后果。预测的奖励与实际获得的奖励之间的差异是“奖励预测误差”，可用于更新期望。另一种是较慢、更深思熟虑的目标导向控制形式，它使用有关世界的知识来思考（通常是多种）行动以评估可能的后果。这种方法更可靠，能够快速适应环境变化，但也更密集和成本更高。
奖励预测误差的概念是由研究强化学习抽象模型的研究人员开发的，但后来的生理学研究发现，神经回路实际上似乎使用信号化学物质多巴胺来计算这些预测误差。“抽象模型和生物物理实现之间的关系在这个领域得到了很好的理解，”普林斯顿大学的计算神经科学家纳撒尼尔·道说。“从神经元和突触到行为有一条强烈的联系。”
这一发现可能与精神病学有关：研究人员认为，奖励评估和其他决策过程的变化是抑郁症中快感缺乏症（无法享受事物或感到兴奋）和强迫症（OCD）等疾病中出现的强迫行为的基础。道及其同事领导的一项由纽约大学心理学家克莱尔·吉兰领导的本月发表在《eLife》上的研究，使用了数据驱动的技术来分析从互联网上收集的近 2,000 人的精神病学调查问卷答复中的症状模式。他们发现了一类强迫性症状，包括侵入性思维，这在报告多种疾病症状的人中很常见，包括强迫症、药物滥用和一些饮食失调。
参与者还完成了一项旨在评估其决策过程的强化学习任务。研究人员发现，强迫程度与两种强化学习过程之间的平衡差异有关，即偏爱快速、习惯性的类型而不是更深思熟虑、目标导向的形式。“我们对大脑系统的了解比 [精神病学诊断] 发明时要多得多，即大脑正在进行的计算和支持它们的机制，”道说。“现在是时候看看我们是否可以将 [这些系统] 与这些疾病联系起来，从而将疾病与大脑联系起来。”
休伊斯及其合著者认为，最大的回报可能来自于将这两种方法结合起来。今天，精神科医生可以获得大量的数据，但是太多的数据可能和太少的数据一样糟糕。给定数据中足够的维度，模式分类技术可以将项目划分为任何所需的子组，但这种解决方案不太可能“泛化”以正确分类新项目，使其在实践中毫无用处。这个问题被称为“过度拟合”。避免这种情况的诀窍是找到正确的信息来捕捉群体之间系统且有意义的差异，同时避免只是偶然的“噪声”差异。
理论驱动的模型可以通过将复杂的高维数据简化为几个具有理论意义的量来帮助简化数据，这些量总结了重要的变化。示例可能是来自强化学习模型的学习率或来自神经活动模型的突触连接强度。如果这些模型准确地描述了它们模仿的过程，则这些量可能用作分类和预测的数据。“建模起着一种双重作用，”罗伊泽说。“它为功能障碍可能存在的地方提供了理论信息，但也创建了可能有助于分类的更精确的数据特征。”
一个例子是苏黎世联邦理工学院的凯·布罗德森（Kay Brodersen）及其同事在2013年进行的一项研究，他们使用大脑活动模型来识别精神分裂症患者的亚组。该团队在参与者执行工作记忆任务时进行了脑部扫描，以构建动态活动如何在三个已知与工作记忆相关的脑区展开的模型（工作记忆是指在短期内保持信息的能力，尽管存在竞争性需求或干扰）。这个网络包括视觉皮层（信息进入的地方）、背外侧前额叶皮层和顶叶皮层，这些区域已被证明对工作记忆至关重要。该模型生成了在工作记忆任务期间这三个区域之间连接强度的估计值，研究人员将其用作分类系统的数据。他们能够使用这些量来区分患者和对照组，效果比使用更传统的测量方法（例如三个区域的平均总体活动）更好。
该团队还识别出三个不同的患者组，这些患者组在网络结构方面存在显著差异。这些组的识别没有使用任何关于患者症状的信息，但与具有不同程度的阴性症状（社交退缩、动机降低等）的组相对应。这一结果与之前的研究相吻合，这些研究表明，具有较高程度阴性症状的精神分裂症患者的工作记忆能力较低。“这是一个很好的例子，说明人们如何使用生物物理模型来改进分类，然后获得了临床相关的结果，”罗伊泽说。
计算精神病学还处于起步阶段，仍在开发中的工具尚未准备好供精神科医生使用。“下一步将是在纵向研究中验证这些工具，并研究它们如何为治疗决策提供信息，”海斯说。“然后，必须在临床试验中测试它们改善结果的能力。”已经有证据表明，数据驱动的方法可以改善治疗决策，而理论驱动的方法尚未被证明可以改善结果。“理论驱动的方法在重新定义我们对症状的看法以及提供新的方法来弥合症状和神经生物学之间的差距方面很有前景，”海斯说。“将这些方法结合起来应该会非常强大，但这仍处于早期发展阶段。”
作为一个新兴领域，计算精神病学有潜力改变传统的治疗方案。“我们很多人都觉得时机已经成熟，”道说。“这是一个很有希望的领域，但目前更多的是愿景而不是回报。”