分析科学者たちは、単純な機械学習ソフトウェアを使用して精神医学をもう少し客観的にしようと試みてきた。
なぜ？と疑問に思うかもしれません。長年私たちがしてきたように、人間の専門家の意見に頼るのではなく、コンピューターに冷静な論理的診断を求めるのはいかがでしょうか？
精神科医ではなくコードを使う利点の一つは、コードを使うとすべての患者で結果が一貫しているはずであるのに対し、精神状態の評価は医師によって異なる可能性があることです。一方で、この特定のソフトウェアは統合失調症の診断において74%の成功率を誇ると言われています。つまり、症例の4分の1以上を見逃しているということです。ですから、まだ医学部を辞める必要はありません。
アルバータ大学、カルガリー大学、メンフィス大学のチームはIBMの研究者らと共同で、前述のプログラム（人間の統合失調症を74%の精度で予測する計算モデル）を構築し、その研究結果を5月にネイチャーの提携誌「Schizophrenia」に発表した。
時は流れ、7月。相変わらず機敏で迅速なビッグブルーは、AIが統合失調症の予測にどのように役立つかを誇示しました。さて、私たちは詳しく調べてみることにしました。
統合失調症のような精神疾患は複雑です。その原因や生物学的特徴と行動の関係は、依然としてほとんど解明されていません。論文の共著者であり、アルバータ大学アルバータ機械知能研究所（AMII）の教授であるラッセル・グレイナー氏は、診断は精神医学的検査に頼っており、結果は主観的になることが多いと述べています。
統合失調症をより客観的に研究するため、研究者たちは95人の被験者からMRI脳スキャンの小規模データセットを収集した。そのうち46人は医師から統合失調症と診断され、残りの49人は健康だった。スキャン中、被験者は灰白質を検査する簡単な課題を行うよう指示された。この課題によってスキャン画像が光り、ニューロンの組織構造が明らかになった。
公平な結果を得るために、参加者はスキャン中に同じタスクを実行する必要がありました。つまり、「奇妙な」音、つまり再生された他のすべての音とは一風変わった音を聞いたときに、ボタンを押す必要がありました。
こうしてスキャンされたデータは、研究者たちに各人の脳のモデルを提供しました。そして、それぞれのモデルは27,000個のボクセルに分解され、それぞれのボクセルは脳内の小さな三次元空間を表しました。
ホットスポット…矢印はスキャンで特定された脳活動のクラスターを指しています（出典）
線形サポートベクターマシンアルゴリズムは、各ボクセルで何が起こっているかを調べることで、脳領域間の相互接続の強さを分析しました。このシンプルな機械学習コードは、統合失調症と密接に関連する生理学的特徴を特定する脳パターンを抽出しました。例えば、視床と一次運動野の領域間の強い接続は、精神疾患の優れた予測因子であることを学習しました。
この情報は、スパース多変量回帰（分類アルゴリズムの一種）のトレーニングに使用され、統合失調症かどうかを判定しました。
「医療データは入手が難しく、扱うデータセットも小さい」と論文共著者でAMIIのポスドク研究員のミナ・ゲイラトマンド氏はThe Registerに語った。
研究者たちは、94人の被験者を訓練データとして用い、1人をテスト用に除外して実験を行った。同じプロセスを95回繰り返し、毎回異なるスキャンをテスト用に除外することで、全テスト実行で平均74%の精度を達成した。つまり、研究チームは95人の被験者から94人を選び出し、ソフトウェアにそれらの脳のうちどの脳が統合失調症と診断されているかを伝え、ソフトウェア自身にそれらを識別させるように指示し、最後に残った被験者で新たに学習した能力をテストした。これを、異なる被験者で何度も繰り返した。
これは最良の結果ではないが、将来的には精神疾患がコンピューターで診断できるようになるかもしれないことを示す第一歩だとグレイナー氏はThe Registerに語った。
まだ初期段階であり、このようなものが臨床現場で活用できるようになるまでには多くの課題があります。様々なデータセットでこれを試し、統合失調症をより深く理解する必要があります。
IBMの計算精神医学および神経イメージンググループに所属する研究者、ギレルモ・チェッキ氏は次のように述べています。「統合失調症は、単一のメカニズムや特定の領域に原因を限定できないため、非常に難しい疾患です。私たちは脳をネットワークとして捉えることで、この課題に取り組んでいますが、私たちの理論と実験方法には限界があります。」
さらに、他の多くの疾患と同様に、この疾患は『単一』の症例ではなく、例えば癌のように、スペクトラム上に現れます。つまり、症状は二元的ではなく多次元的であるため、より的確な特徴づけが必要です。…私たちは、画像から臨床スケールを推測することでこの課題に取り組んでいますが、同時に臨床評価プロセス自体の改善も必要としています。®
