机器学习为精神疾病的神经生物学和疾病分类学基础提供了见解

自从机器学习被引入精神病学研究以来，临床诊断中的分类模型已经引起了很多关注，但仍然存在实际的挑战。同时，利用机器学习识别神经生物学特征，为精神疾病的疾病分类学提供新见解的趋势已经出现。

由Assist领导的研究团队。浙江大学心理与行为科学系陈吉教授在前人精神病学研究的基础上总结了几个新的研究方向机器学习研究并强调了机器学习在提供神经生物学和疾病学见解方面的重要作用精神障碍．他们的发现作为一篇评论文章发表在该杂志上生物精神病学．

陈吉等通过回顾精神障碍机器学习领域的最新动态，提出了他们的观点:

• (1)机器学习模型的分类准确率可以作为因变量，识别与精神障碍病理生理过程密切相关的生物学特征;
• (2)分类模型的准确率可用于探讨DSM中精神障碍的分类关系;而且
• (3)半监督和无监督机器学习可用于分析精神疾病的维度(诊断内)和经常重叠(跨诊断)的症状学。

为了解决这些方法学观点和应用策略，研究人员在技术层面上提出了与输入数据或分析过程相关的常见缺陷，重点关注“垃圾输入，垃圾输出”的主题。

这项研究为筛选精神障碍的生物标志物和解决精神疾病的诊断异质性和共病问题提供了一个新的视角精神病学研究．此外，它强调了在使用机器学习识别可靠的生物标志物和探索精神障碍的新分类之前，解决数据采集、模型构建和结果阐述中的潜在问题和陷阱的必要性。