精神分裂症或自闭症患者大脑的计算机标识的差异
大多数现代医学都有物理测试或客观技术来确定人们的大部分疾病。然而，目前没有血液或基因测试，或公正的程序可以明确诊断精神疾病，当然也没有办法区分具有相似症状的不同精神疾病。东京大学(University of Tokyo)的专家正在将机器学习与大脑成像工具结合起来，重新定义精神疾病的诊断标准。
“包括我在内的精神科医生经常与患者及其老师、朋友和父母谈论症状和行为。我们只在医院或诊所见到病人，而没有在他们的日常生活中见到他们。我们必须使用主观的、二手的信息来得出医学结论，”东京大学副教授、医学博士、博士Shinsuke Koike博士解释说转化精神病学．
小池百合子说:“坦率地说，我们需要客观的措施。
挑战重叠症状
其他研究人员设计了机器学习算法，以区分那些有精神健康问题的人和自愿作为此类实验“对照组”的非患者。
小池百合子说:“很容易区分谁是患者，谁是对照组，但区分不同类型的患者就不那么容易了。”
东京大学的研究团队表示，他们是第一个区分多种精神疾病诊断的研究，包括自闭症谱系障碍而且精神分裂症．尽管流行文化对自闭症和精神分裂症的描述截然不同，但科学家们长期以来一直怀疑两者之间存在某种联系。
“自闭症谱系障碍患者患精神分裂症的风险是普通人群的10倍。自闭症需要社会支持，但通常精神分裂症的精神病需要药物治疗，所以区分这两种情况或知道它们何时同时发生是非常重要的。”
电脑将大脑图像转换成数字世界
一个由医学和机器学习专家组成的多学科团队利用对206名日本成年人的MRI(核磁共振成像)大脑扫描来训练他们的计算机算法，这些成年人包括已经被诊断为自闭症谱系障碍或精神分裂症的患者、被认为有精神分裂症高风险的人、第一次出现精神疾病的人，以及没有精神健康问题的典型神经人。所有患有自闭症的志愿者都是男性，但在其他组中，男性和女性志愿者的数量大致相等。
机器学习使用统计数据在大量数据中寻找模式。这些项目发现了群体内部的相似性和群体之间的差异，这些差异经常发生，而不容易被认为是巧合。本研究使用了六种不同的算法来区分不同患者组的MRI图像。
在这项研究中使用的算法学会了将不同的精神病诊断与MRI图像中大脑区域的厚度、表面积或体积的变化联系起来。目前还不清楚为什么在特定的精神健康状况下，大脑会有任何生理上的差异。
扩大诊断之间的界限
训练结束后，又对43名患者的脑部扫描结果进行了测试。机器的诊断与精神科医生的评估相符，可靠性高，准确率高达85%。
重要的是，机器学习算法可以区分非患者、自闭症谱系障碍患者和患有精神分裂症或精神分裂症风险因素的患者。
机器有助于塑造精神病学的未来
研究小组指出，成功区分非精神分裂症患者和有精神分裂症风险的个体的大脑，可能揭示了导致精神分裂症的大脑生理差异甚至在症状出现之前就已经存在，并随着时间的推移保持一致。
研究小组还指出，大脑皮层(大脑顶部1.5到5厘米)的厚度是正确区分自闭症谱系障碍患者、精神分裂症患者和正常人群的最有用的特征。这揭示了皮层厚度在区分不同精神疾病中所起作用的一个重要方面，并可能指导未来的研究了解其原因精神疾病．
虽然研究小组训练他们的机器学习算法使用大脑扫描了大约200个人，所有的数据都是在2010年至2013年期间在一台MRI机器上收集的，这确保了图像的一致性。
“如果你用iPhone或安卓拍照手机拍照，图像会略有不同。核磁共振成像机器小池说:“每个核磁共振成像都有细微的不同，所以在设计像我们这样的新机器学习协议时，我们使用相同的核磁共振成像机器和完全相同的核磁共振成像程序。”
现在他们的机器学习算法已经证明了它的价值，研究人员计划开始使用更大的数据集，并希望协调多站点研究，训练程序工作，不管MRI差异。
