机器学习在双相障碍的应用
周霓吕洞宾王凡马玮亮洪武
上海交通大学医学院附属精神卫生中心
上海市重性精神病重点实验室
机器学习双相障碍诊断预测
双相障碍（bipolardisorder，BD）在全球的患病率约为1%～2%，其特征是情绪不稳定，抑郁和躁狂交替发作[1]。目前对BD的诊断仍基于症状学。而在BD治疗中，通常方案要经历长时间反复调整，患者才能接受有效治疗。同时BD具有高复发率特点，随访研究发现45%患者会出现一次以上复发[2-4]。因此，BD的诊断与治疗由于具有较强主观性和个体差异，往往导致患者治疗效果不佳，病情迁延。机器学习作为大数据时代背景下的一门新兴学科，结合了多门学科的思想，凭借其对数据的分析和预测能力，为临床诊断、治疗方案选择及预后判断等提供了新方法、新思路。机器学习中心原则是通过从大型数据集中提取适用规律和模式来实现自动化归纳推理[5]。机器学习算法的目标就是建立一个适合数据的数学模型，一旦这个模型符合已知的数据，它就可以用来预测新数据的从属或预测未来走向[6]。目前已有许多类型的机器学习算法，包括支持向量机（supportvectormachine，SVM）、随机森林和k-近邻算法等，具体问题的模型选择取决于数据特征和期望结果的类型[7-8]。这些算法的本质基本都是根据训练集的数据进行迭代改进，以构建用于自主预测的模型，不断提高性能[9]。机器学习可分为有监督学习和无监督学习两种类型[10]。在有监督学习中，用户向机器提供输入数据和预期结果（即标签），机器主要通过分类或回归方法学习数据特征到标签之间的规律[11]。而在无监督学习中，无标签的数据直接暴露在算法中，机器主要通过聚类和降维的方法组织数据集，以此发现和描述数据间的规律[12]。近年来，机器学习在精神科等医学领域的运用越来越广泛，为临床带来新机遇的同时也带来了许多挑战。本文将对近年来机器学习在BD中的应用进行综述。
全文内容，请点下图
、
机器学习在双相障碍的应用[J].中国神经精神疾病杂志，，46（8）：-.
声明：本文作者享有本文著作权，《中国神经精神疾病杂志》专有本文出版权和信息网络传播权,转载请注明作者与出处。部分图转自网络。
往期精彩
综述
垂体促甲状腺激素腺瘤诊治进展
综述
肠道菌群与癫痫发病及相关治疗研究进展
病例报告
富于淋巴细胞浆细胞型脑膜瘤1例
病例报告
抗Tr抗体阳性副肿瘤性小脑变性1例
论著
髓鞘少突胶质细胞糖蛋白抗体相关脱髓鞘疾病临床与预后分析
论著
少见栓子脑栓塞影像特点分析
论著
-年重庆市精神分裂症死亡率及早死疾病负担变化趋势
论著
未治疗抑郁症患者吸烟与抑郁症状及认知功能关系
论著
首发精神分裂症性激素与精神症状及认知功能关联性研究
论著
中文版Bell-Lysaker情绪识别任务在重性抑郁障碍患者中的信效度
论著
强直性肌营养不良1型肌肉症状与特征性血清学指标分析
论著
低颅压性脑积水6例临床分析
预览时标签不可点收录于话题#个上一篇下一篇