标签：ant learning 分析 基于 选择 想法 anti 基线 自己
https://mp.weixin.qq.com/s/aAh5DUXaQQSukLIYHYvjugBy 超神经
场景描述：精神疾病和语言之间，存在着一些微妙的关系，但即便是经验丰富的医生，也不足以完全掌握这一联系。但从数据的角度出发，机器学习算法有望被利用在语言分析中，从那些异常的语言特征中，找到会演变成精神疾病的个体，从而帮助精神健康的建设和预防。
关键词：精神疾病 文本分析 医疗诊断精神健康逐渐在威胁着更多人的生活。甚至有专业人士断言，二十一世纪最大的威胁就是精神疾病。
精神疾病，也称精神障碍、心理疾病。主要是指大脑功能出现失调，导致认知、情感、意志和行为等活动出现问题。常见的的精神疾病包括：精神分裂、抑郁症、自闭症、痴呆症、人格障碍等。
精神疾病患者往往承受着污名化等问题
精神疾病之间和犯罪行为之间也总是道不清说不明
精神疾病严重影响个人的生活，还会成为社会的不安定因素。
精神疾病的诊断也很重要，若能及时地诊断出来，能帮助患者更好的应对和治疗，而对那些想假借「精神判定」而开脱的人，用证据则能让他们接受正义的制裁。
在章莹颖被害案件中，
狡猾的凶手就妄图用精神疾病来为自己开脱
但常规的诊断方式比较繁琐，在经过详尽的精神检查、躯体及神经系统检查、脑影像学检查和神经心理学评估后，医生给出一个初步判断，还要再结合完整的病史资料，特别是个人生活史、发病史、相关社会心理因素，进行分析归纳，给出最后的判定结果。
传统的方式也存在弊端，比如缺乏直接可见的生物学客观指标，还依赖于症状学的临床观察，以及专业医生的个人经验。
针对不同群体，不同功能，不同流派中，
心理量表有着不同的诊断标准和规范
而一些研究表明，语言的细微特征，能够用来预测一个人是否会患有精神病病的风险。但这些特征通常不能被人为观察到，需要借助一些技术手段，而机器学习就成了最好的选择。
「即便是有经验的医生，在交谈中试图听出这些细微差别，也十分困难，就像在用眼睛去看微小的细菌，几乎不太可能。」
哈佛医学院神经学系的研究者 Neguine Rezai 说到，「但机器学习等计算方法，用来揭示隐藏在语言中的细微之处是可行的」。她补充说：「这些方法就像是加上了显微镜，可以准确地发现那些征兆。」
在 Nuture 子刊，专门报道精神疾病的 NPJ Schizophrenia 杂志上，埃默里大学和哈佛大学的研究人员发表了一篇论文《A machine learning approach to predicting psychosis using semantic density and latent content analysis》，他们利用机器学习技术，揪出了语言方式和精神疾病的隐秘联系， 能够准确地预测出精神疾病的早期现象。
文章链接地址：
https://www.nature.com/articles/s41537-019-0077-9
为了从语言中发掘出判断的依据，他们使用了两个语言变量：语义密度和声音相关词汇的使用。
语义密度是用来对「内容匮乏」或模糊性进行度量的一项指标。使用 vector unpacking 的数学方法，获得语义密度的语言标记：将句子的含义分解为其核心思想。
vector unpacking 的过程：单词嵌入（黑色向量）在句子中求和，以产生该句子的结果向量（蓝色向量） ，最终分解找到意义向量（红色向量）
为了让模型建立起判断的基准，从 Reddit 网站上的 3 万个帖子，抓取对话内容，使用 Word2Vec 程序，分析出对话中的词汇。对单词进行处理分析，使那些具有相似含义的单词在「语义空间」中靠近，含义差异较大的则距离很远。
使用 Word2vec 通过两层神经网络处理大量文本来创建单词嵌入
接下来，将埃默里大学北美前驱症状纵向研究（NAPLS）中 40 名患者的言语样本输入，并进行了为期两年的随访。为了训练模型，还采集了第二阶段研究的另外 30 名参与者的信息。
最后，研究小组将来自 NAPLS 的会话信息，通过机器学习分析，与基线数据进行了比较。再综合与后续数据的比较，包括那些最终患上了精神疾病的数据。就得到了语言和患病几率之间的联系。
基于语义密度和声音的转变为精神病的可能性
结果显示，分析的人群中，最终患上精神病的人员，有一些共同的特征，在他们的谈话内容中，与声音相关的（如语气词）的使用率高于正常标准，而且会很频繁地使用含义相似的词汇。
在他们的方法中，通过语言内容预先推测精神疾病，在实验中的准确率达到了 93%。
研究者之一 Elaine Walker 教授说到，如果能更早地识别出有风险的个体，并采取预防性干预措施，就能够极大地改观精神问题。
虽然实验得到了很高的精确度，但由于样本数有限，实验还处于研究层面上的成功。而研究者也表示，他们正在朝着完善和产品化的目的前进，未来计划用更多的数据，来测试和改进这一技术。
无论如何，新技术的应用，再次印证了可以从数据中，听出自然语言的「弦外之音」。
在最近的 Nuture 杂志上，封面文章刊登了一项惊人的成就。哥伦比亚大学的研究人员用八年的时间，完整描绘了秀丽隐杆线虫的所有神经网络及连接。
线虫的完整神经图谱
这种线虫的有三分之一的细胞都是脑细胞，所以绘制出线虫脑细胞的神经连接，是人类第一次解密关于脑部的详细运作方式。
对精神疾病的研究，也有助于对脑部的探索，虽然说 AI 发展模仿神经连接的方式的道路，现在式微了，但探索大脑的奥秘，是人工智能诞生之处就存在的一个梦想。
有关精神疾病的这些探索，只是小小的发现，但它在揭示精神疾病的信息之外，还有助于理解大脑是如何工作的，比如演绎大脑是如何将各种想法组合在一起。不可否认，这些发现堆积在一起，终将带来新的篇章。
更厉害的算法、技术的使用，让诊断和治疗都带来了新的突破，但技术还没有神话到可以接管一切的地步。只是期望着，更多方法的介入，能够让越来越多的人，拥有更健康的生活。
强烈建议川普用这个模型确认一下病情，23333
—— 完 ——
扫描二维码，加入讨论群
获得更多优质数据集
回复「进群」自动入群
更多精彩内容（点击图片阅读）
标签：ant learning 分析 基于 选择 想法 anti 基线 自己
原文地址：https://blog.51cto.com/14929242/2535150
