深圳大學團隊在《Science Advances》發表研究，用深度學習分析青少年看見表情時的腦部反應，在抑鬱症狀出現之前最多四年，已能辨認出高風險的人。模型在 1332 名參與者身上訓練，於 725 人的隨訪樣本上完成四年預測，另在 411 名患者的獨立樣本中改善了抑鬱分類。要注意的是，數據來自歐洲的長期追蹤計劃，不是中國樣本。
事件背景
抑鬱症是全球最難處理的疾病之一，患者人數以億計，而診斷至今主要依靠問卷與臨床面談，等於在症狀已經出現之後才介入。近年腦影像研究一直嘗試尋找更早的訊號，但多數結果只能區分已經患病與健康的人，無法預示未來會發生什麼。
深圳大學團隊今次的做法，是把功能性磁力共振（fMRI）數據交給一個模仿大腦兩條視覺通路的深度神經網絡，再用模型本身的擾動實驗，去解釋腦部處理情緒的哪一環出了問題。換言之，研究要回答的不只是「能否預測」，而是「為什麼可以預測」。
研究怎樣做
用的並非中國樣本，而是歐洲的 IMAGEN 青少年追蹤計劃。參與者由十多歲起接受多次腦掃描、血液檢查與問卷，並在 16 歲、19 歲及 23 歲再做評估。掃描期間，他們會看到快樂、中性與憤怒的面孔，儀器記錄大腦如何反應。
團隊發現，抑鬱症狀較多的青少年，大腦對情緒訊號的神經表徵較弱。模型的擾動實驗進一步指出，這種減弱源於「過度規則化」的知覺：大腦太依賴既有的抽象概念去解讀畫面，令感知被負面概念牽引，而不是如實反映眼前的表情。這就是研究所講的負面知覺偏誤，它是機制，不只是相關性。
四年預測的驗證
團隊把上述機制濃縮成一個神經計算指標，再用 19 歲時的掃描去預測 23 歲的抑鬱症狀，樣本 725 人，時間跨度正好四年。同一指標亦與一個抑鬱相關的基因變異及多基因風險分數有關，並在 STRATIFY 患者樣本（411 人）中改善了抑鬱的分類表現。
三條線索指向同一個機制：預測、遺傳，以及臨床樣本上的分類。這是這篇研究比一般「AI 睇腦片」報道扎實的地方，亦是它能夠登上《Science Advances》的原因。
限制與意義
首先，它是風險預測，不是診斷。被標示為高風險的人，只是日後出現症狀的機會較高，不代表一定患病，而把這種標籤直接用在青少年身上，本身就是倫理問題。
其次，訓練與驗證數據都來自歐洲的青少年，能否推廣到其他族群、其他年齡層，研究並未回答。第三，fMRI 掃描成本高、不便攜，短期內不可能成為篩查工具；真正的用途，是先找出值得跟進的高風險群體，再交由臨床決定。
對整個 AI 醫療領域而言，這項研究的價值在於方法：先用深度學習找出機制，再用機制去做預測，而不是把黑盒模型的輸出當成結論。
No comments yet