圖片來源@視覺中國
文丨陳根
受益於計算機技術的快速發展，人工智能已廣泛地滲透和應用於諸多垂直領域，切入不同場景和應用。疫情無疑為人工智能的發展打開了新的窗口，開闢了豐富的實踐場。從傳統制造業的數字化轉型到線上教育、雲辦公興起；在醫療方面，人工智能落地圖像識別，提升了醫療效率。可以説，一個“泛在智能”的世界已加速成為現實。
在這樣的背景下，一個數字的世界被全面建構。人工智能除了在我們所熟悉的社會生活發揮着高效便捷的作用，更在一些小眾卻必要的領域具有無可比擬的優勢和潛力，比如精神疾病的診斷。
精神疾病診斷的困境與出路我國目前嚴重精神障礙患者約有1600萬。WHO預測，到2020年抑鬱症將會成為危害人類健康的第2大類疾病。但約30%的患者對抗抑鬱藥物無反應，在有反應人羣中只有1/3的患者獲得臨牀緩解。
目前，精神疾病的診斷依據主要是國際疾病分類、精神障礙診斷與統計手冊，需要有經驗的醫生依據調查問卷和自己的經驗進行判斷。
由於血液檢測查不出抑鬱症，腦部掃描也沒法提前檢查出焦慮症，活組織檢查更不可能診斷出自殺的念頭。所以，就算精神病學家擔心新冠肺炎疫情會對人們的精神健康造成嚴重影響，也沒有簡單的方法來檢測這一點。
在醫學領域中，沒有任何可靠的生物標記可以用來診斷精神疾病。精神病學家們想找出發現思想消極的捷徑卻總是得不到結果，這使許多精神病學的發展停滯不前。這就讓精神疾病的診斷變得緩慢、困難並且主觀，阻止了研究人員理解各種精神疾病的真正本質和原因，也研究不出更好的治療方法。
但這樣的困境並不絕對。事實上，精神科醫生診斷所依據的患者語言給精神病的診斷突破提供了重要的線索。
1908年，瑞士精神病學家歐根·布盧勒宣佈了他和同事們正在研究的一種疾病的名稱：精神分裂症。他注意到這種疾病的症狀是如何“在語言中表現出來的”。但是他補充説，“這種異常不在於語言本身，而在於它表達的東西。”
布盧勒是最早關注精神分裂症“陰性”症狀的學者之一，也就是健康的人身上不會出現的症狀。這些症狀不如所謂的“陽性”症狀那麼明顯，陽性症狀表明出現了額外的症狀，比如幻覺。最常見的負面症狀之一是口吃或語言障礙，患者會盡量少説，經常使用模糊的、重複的、刻板的短語。這就是精神病學家所説的低語義密度。
低語義密度是患者可能患有精神病風險的一個警示信號。有些研究項目表明，患有精神病的高風險人羣一般很少使用“我的”、“他的”或“我們的”等所有格代詞。基於此，研究人員把對於精神疾病的診斷突破轉向了機器對語義的識別。
研究表明，2016年全球約有23.4億人使用數字媒體，預計到2020年將進一步增加到29.5億。根據中國互聯網絡信息中心（CNNIC）第45次發佈《中國互聯網絡發展狀況統計報告》，截至今年3月，我國網民規模達9.04億。這意味着，無處不在的智能手機和社交媒體讓人們的語言從未像現在這樣容易被記錄、數字化和分析。
通過移動設備所獲得的大量與健康相關的數據的價值可能遠超過如體檢、實驗室檢查和影像學檢查等一些傳統定義疾病表型的方法，對疾病的診斷和評估具有更高的價值。事實上，已經有越來越多的研究人員開始篩選人們產生的數據來尋找抑鬱、焦慮、雙相情感障礙和其他綜合症的跡象——從我們的語言選擇、我們的睡眠模式到我們給朋友打電話的頻率，這些數據與對這些數據的分析，就被稱為數據表型。
通過數字表型，個體與數字科學的結合影響着從診斷、治療到慢性病管理的疾病整個譜系。在精神病學領域引進數字表型，能夠更密切和持續地測量患者日常生活中的各種生物特徵信息，如情緒、活動、心率和睡眠。並且，數字表型可以將這些信息與臨牀症狀聯繫起來，從而改善臨牀實踐。
從疾病預測倒方案評估相較於傳統精神病學只能依賴於個別精神病學家的技能、經驗和意見的診斷來説，以人工智能為依託的數據表型無疑具有無可比擬的優勢和潛力，包括疾病預測、疾病持續的評估監測、疾病治療方案評估。
首先，在疾病預測方面，數字表型方面最先進的應用可能是預測雙相情感障礙患者的行為。通過研究人們的手機，精神病學家已經能夠捕捉到事件發生前的微妙跡象。當雙相患者情緒低落時，他們手機上的GPS傳感器會顯示他們不太活躍。他們接電話的次數變少，打出去的電話也變少，而且看屏幕的時間也會變長。相比之下，在躁狂階段到來之前，他們走動得更多，發的短信更多，打電話的時間也更長。
而一項探索性的研究發現，與正常對照的Twitter用户相比，患有精神分裂症的Twitter用户發佈的有關抑鬱和焦慮的推文頻率更高，這與線下觀察到的精神分裂症患者的臨牀症狀相符合。研究還發現，社交和娛樂應用地越多，壓力和激惹性情緒就越低。這就提示着，利用網絡平台提供精神疾病症狀相關的數字表型，可以為疾病的預測和管理提供新的途徑。
另外，針對沒有精神疾病的普通人，人機交互的信息也可為情緒預測提供幫助。在另一項研究中，研究人員使用智能手機傳感器預測32名健康受試者為期2個月的情緒變化，研究分析了通話的數量及時長、短信及電子郵件的數量、應用程序的使用數量及模式、瀏覽器的歷史鏈接及位置變化的信息，預測情緒變化的準確率為66%，採用個性化預測模型後其預測準確度可提高到93%。
其次，很多研究已經證實，持續性的監測比零星的臨牀訪談評估可以為疾病提供更有用的信號。但目前針對精神疾病的評估存在許多侷限性。首先，這些評估方法是非生態性的，通常需要被試者脱離日常生活行為來完成特定的評估任務；其次，評估存在偶發性，包括評估地點及評估人員在內的限制性資源使得這些方法的可拓展性很差；最後，這些方法容易受到回憶錯誤及主觀偏見的影響。
數據表型則提供了持續性的評估監測機制，使用隨身攜帶的電子設備獲得有關患者行為、認知或經歷上發生變化的信息。這將給醫生帶來更多時間來防治那些風險最高的患者，或許還能更密切地觀察他們，甚至嘗試治療以減少精神病發作的幾率。
最後，對於疾病治療方案的評估，從可穿戴設備、移動設備、社交媒體等獲得的數據中收集到的治療效果信息是對傳統療效評估的重要補充。一個神經內科在線跟蹤疾病社區成員的數字表型的案例研究證實，鋰鹽在減緩肌萎縮側索硬化症患者的疾病進展方面缺乏有效性。這些發現後來被複制到幾個更慢、更昂貴的隨機對照試驗中。而通過在線跟蹤精神疾病社區成員的數字表型，來評估治療方案對患者的療效，有利於治療方案的調整及個體化治療方案的制定。
數據表型不可迴避之挑戰儘管相較於傳統的診斷方法，數字表型存在生態性、持續監測、與現實世界的需求相平行、易於推廣等優勢，但其應用依舊面臨挑戰。
首先，把醫療信息上傳到應用程序，對患者和臨牀工作者都有潛在風險。其中的一個問題是，這些醫療信息會被第三方獲得。
理論上，隱私法應該阻止精神健康數據的傳播。美國已經實施了24年的HIPAA法規規範了醫療數據的共享，而歐洲的數據保護法案GDPR理論上也應該阻止這種行為。但監控機構“國際隱私組織（Privacy International）”2019年的一份報告發現，在法國、德國和英國，有關抑鬱症的熱門網站將用户數據泄露給了廣告商、數據經紀人和大型科技公司，而一些提供抑鬱症測試的網站也將答案和測試結果泄露給了第三方。
其次，一些倫理學家擔心，數字表型模糊了什麼可以作為醫療數據分類、管理和保護的界限。如果日常生活的細節是我們精神健康留下的線索，那麼人們的“數字化日常”就可以像機密醫療記錄中的信息一樣，告訴別人其精神狀態。比如，我們選擇使用的詞彙，我們對短信和電話的反應有多快，我們刷帖子的頻率有多高，我們點讚了哪些帖子。我們幾乎不可能在這些信息中隱藏自己。
斯坦福大學的倫理學家尼科爾·馬丁內斯·馬丁説：“這項技術已經把我們推到了保護某些類型信息的傳統模式之外。當所有數據都可能是健康數據時，那麼健康信息例外論是否還有意義等相關問題就會大量湧現。”
最後，通過智能手機或可穿戴設備獲得的數字表型必須證明其在臨牀有效性方面的價值。數據所帶來的決策改善及效率的提高是否對降低發病率、複發率及死亡率有所幫助目前仍無法明確。很少有醫學領域可以單獨通過監測來提供更好的臨牀結果。並且，目前現有的一些在預測情緒方面的研究大多是在實驗室實驗設置下或人工環境下，對沒有精神障礙的學生或普通人進行的研究。被分析的人數有限，且研究時限較短。
綜上，儘管數字表型分析具有揭示人類本質的巨大潛力，但目前數字表型依舊面臨隱私方面的風險和診療的不確定性。因此，科學和個人層面減少危害和增加數字表型效益將是數字表型推廣的先決條件。
當然，數字表型代表了在心理學和醫學的許多領域實施心理診斷的新的有力工具。基於社交媒體、智能手機和其他物聯網來源的數字足跡的人工智能分析可用於精神疾病的診斷與精準治療，這也是人工智能相較於傳統精神疾病診斷的無可比擬的優勢和潛力所在。