機器學習幫助科學家了解大腦如何產生復雜的人類特征，揭示與工作記憶等行為、沖動等特征和抑郁等疾病相關的大腦活動模式。借助這些工具，科學家們可以創(chuàng)建這些關系的模型，然后在理論上可以用來預測個人的行為和健康狀況。
但這只有在模型代表所有人的情況下才有效，而之前的研究表明它們不能;對于任何模型，有些人不適合該模型。
在 8 月 24 日發(fā)表在《自然》雜志上的一項研究中，耶魯大學的研究人員研究了這些模型往往會失敗的原因、發(fā)生這種情況的原因以及可以采取的措施。
醫(yī)學博士阿比蓋爾格林說，要使模型發(fā)揮最大作用，它們需要適用于任何特定的個體。耶魯大學醫(yī)學院的學生和該研究的主要作者。
“例如，如果我們想將這種工作轉移到臨床應用中，我們需要確保該模型適用于坐在我們面前的患者，”她說。
Greene 和她的同事對模型如何提供更精確的精神病學特征很感興趣，他們認為這可以通過兩種方式實現(xiàn)。首先是通過更好地對患者群體進行分類。例如，精神分裂癥的診斷包含一系列癥狀，而且每個人的癥狀看起來都非常不同。更深入地了解精神分裂癥的神經(jīng)基礎，包括其癥狀和亞類，可以讓研究人員以更細致入微的方式對患者進行分組。
其次，有一些特征，如沖動，在各種診斷中都有所共有。了解沖動的神經(jīng)基礎可以幫助臨床醫(yī)生更有效地針對該癥狀，而不管它所附的疾病診斷如何。
“這兩項進展都會對治療反應產生影響，”格林說。“我們越能了解這些可能攜帶或不攜帶相同診斷的個體亞群，我們就越能更好地為他們量身定制治療方案。”
但首先，模型需要適用于所有人，她說。
為了了解模型失敗，Greene 和她的同事首先訓練了模型，這些模型可以使用大腦活動模式來預測一個人在各種認知測試中的得分情況。經(jīng)過測試，這些模型正確地預測了大多數(shù)人的得分情況。但對某些人來說，他們是錯誤的，錯誤地預測人們實際上得分很高時得分會很低，反之亦然。
標簽：
免責聲明：本文由用戶上傳，如有侵權請聯(lián)系刪除！