Machine learning of neural representations of suicide and emotion concepts identifies suicidal youth

Machine learning of neural representations of suicide and emotion concepts identifies suicidal youth–阅读笔记

论文来源：2017 Nature Human Behaviour
论文链接

Abstract

CMU心理学系教授 Marcel Adam Just 等人在一项功能性核磁共振成像（fMRI）的研究中发现了具有自杀倾向的精神病患者关于死亡和生活相关概念(death, cruelty, trouble, carefree, good, and praise)的神经表征的变化。他们利用机器学习技术表征人脑内的死亡和生命相关概念，可以高度准确地区分具有自杀想法的病人和无自杀想法的个体。该方法还可以在具有自杀想法的人中，进一步区分哪些人做出过自杀尝试，而哪些没有。

Introduction

对自杀风险的评估是精神卫生临床医师面临的最具挑战性的问题之一:

• 临床医生对病人自杀风险的预测不理想；
• 自杀患者可能会掩饰其自杀意图。

因此，迫切需要开发不依赖自我报告的自杀风险标志物。

本文利用功能磁共振成像（fMRI）签名去识别个体概念的表征变化，利用机器学习算法可以高度准确地区分具有自杀倾向的高度自闭症患者和正常对照组。

测试概念的神经信号被认为是思维过程的可分解生物标志物，可用于查明变化的特定组成部分。 该分解尝试指定被改变的神经签名的特定分量，即情绪分量。

自杀患者通过行为测量表现出对独特概念改变的敏感性：

• Adapted Emotional Stroop Task： 用来评估与neutral words相关的自杀相关(suicide-related)词的反应时间。
• Adapted Implicit Association Test: 用于评估自杀相关词(suicide-related)和自我相关(self-related)词的反应时间。

研究利用机器学习多元素分析，寻找与个体刺激概念相关联的激活值模式（在分布在一组大脑位置的一组体素中），并且可以识别个体自杀或不自杀。

将个体参与者自杀风险分类的能力以及将其改变的激活模式去改变与特定概念相关联的情绪内容的能力将提供用于诊断和治疗的可解释的个性化概况。

我们测试了三个主要的假设：

1. 有自杀意念的参与者与非自杀对照参与者在死亡和自杀相关的神经表征方面有所不同概念，在某种程度上机器学习分类器可以准确地确定参与者是自杀意念组还是对照组的成员。
2. 类似的机器学习方法将准确地区分那些自杀意念组的成员是否尝试过自杀。
3. 自杀意念者中的区分概念的神经特征将包含与对照组不同的情绪成分特征（即在线性模型中具有不同的回归权重），并且这些组差异将允许机器学习分类器准确地确定参与者是否是自杀意念组的成员或对照组。

Result

17名自杀意念者和17名健康对照者的信息如下：

在性别、年龄、IQ上保持平衡。

刺激的30个概念，分为suicide，positive和negative如下：

每个单词呈现3秒，并在此过程中对他们进行功能性磁共振成像扫描。结果发现，对其中六个单词（e death, cruelty, trouble, carefree, good, and praise）的神经活动应答以及五个脑区的神经活动最能区分想自杀的病人和对照组个体。

下图显示了包含30个概念的神经表征的主要组成部分的大脑位置，由稳定体素的存在（那些对多组表现的刺激的反应相似）确定。

六个概念和五个大脑位置如图2所示，提供了两组之间最准确的区分。

-