假如你面前有三扇門，你需要選擇其中一扇門。一扇門后藏著一輛新車，而在另外兩扇門后都藏著一只山羊。當你做出選擇后，知道每扇門后有什么的人必須打開其余兩扇門中的一扇門，而這扇門后藏著的必定是一只山羊。你知道，車要么在你選的那扇門后面，要么在剩下那扇關(guān)著的門后面。你是會改變你的選擇，還是堅持你的第一選擇？

這道著名的趣味智力題就是蒙提霍爾問題。正是因為這道謎題，álvaro López-Medrano 才進入了計算精神病學領(lǐng)域，開發(fā)了一款可以改變醫(yī)生診斷注意力缺陷/多動障礙 （ADHD） 方法的工具。

神經(jīng)科學家、神經(jīng)學家、精神病學家和心理學家都在努力將精神障礙（如多動癥）的行為癥狀與其背后的神經(jīng)機制聯(lián)系起來。而腦科學領(lǐng)域的研究人員正在尋找易于獲取的可靠生物標志物，以消除精神病學診斷中的猜測。López-Medrano 和他的創(chuàng)業(yè)公司 Bitsphi 正在通過一種算法處理大腦信號來解決多動癥診斷問題，這種算法可以捕獲這種疾病的特定模式。

認知模型與信息論

當面對三扇門和選擇正確門的第二次機會時，你會怎么做？答案是最好換一扇門。在換的過程中，你最終總有可能選擇錯誤的門。但有兩只山羊和一輛車，你的第一選擇很有可能是一只山羊。因此，一旦另一只山羊揭曉，當你換門的時候，你就更有可能找到那輛車。

10 年前，López-Medrano 坐在自己家的客廳里，努力思考著蒙提霍爾問題及其解。López-Medrano 是一位電氣工程師，他苦苦思索著這個反直覺的解，并開始深入思考大腦是如何處理信息并做出決策的。探索這個話題讓他陷入了 Google Scholar 的兔子洞。他輾轉(zhuǎn)于一篇又一篇關(guān)于蒙提霍爾問題的論文，直到發(fā)現(xiàn)了一篇探討認知模型的論文，這個模型基于香農(nóng)信息論。

該理論創(chuàng)建了一個通信框架：發(fā)送端如何將信息傳輸?shù)浇邮斩耍约盀榱诉B接和實現(xiàn)這種交換所做的工作。但在基于這一理論的認知模型中，López-Medrano 并沒有發(fā)現(xiàn)哪個模型能夠?qū)Υ竽X處理信息的基本方式（自上而下和自下而上）之間的差異做出令人滿意的解釋。在自上而下的處理過程中，你的想法會影響你對環(huán)境的感知和反應，比如你應該注意什么，或者在不同的情況下如何對刺激做出反應。你的大腦先分析感官刺激，然后在自下而上的過程中做出反應。對這個問題的思考讓他對認知有了新的認識。

在受到啟發(fā)后，López-Medrano 試著開發(fā)了一種認知模型，基于概率和信息論中的概念來表示大腦處理信息的方式。他的數(shù)學認知模型旨在解釋大腦中的信息流，以及我們是如何從不確定到確定的。

他帶著他的模型找到了 Fernando Maestú，這是馬德里康普頓斯大學的一位認知神經(jīng)科學教授，也是認知和計算神經(jīng)科學中心主任。Maestú 致力于研究大腦的電生理活動，以尋找神經(jīng)和精神障礙的生物標志物。

考慮這個模型后，Maestú 認為可以將它用作新的方式來開展他的研究工作。他告訴 López-Medrano，他們可能會使用這個模型幫助診斷認知障礙。他建議先研究注意力缺陷/多動障礙 （ADHD），這是一種需要客觀診斷工具的常見疾病。全球有 8，400 逾萬人患有多動癥。

追根溯源

通常，臨床醫(yī)生依據(jù)《精神障礙診斷與統(tǒng)計手冊（第五版）》（DSM-5） 診斷精神障礙。盡管專家們的診斷標準基于數(shù)百項科學研究和數(shù)百本白皮書，但診斷也是一門藝術(shù)。許多標準都帶有主觀性。例如，在 DSM-5 中，多動癥的一個癥狀是：“當別人直接跟他說話時，他似乎經(jīng)常聽不進去”?！敖?jīng)常”或看似聽別人說話的定義帶有主觀性。不同的臨床醫(yī)生對此持有不同的看法。

臨床醫(yī)生還根據(jù)認知測試所得的結(jié)果，評估癥狀和診斷精神障礙。這些測試用于衡量患者在利用某些大腦網(wǎng)絡(luò)（如注意力或記憶系統(tǒng)）的功能完成任務時的表現(xiàn)。但這種方法也遠非萬無一失。Bitsphi 的產(chǎn)品經(jīng)理 Sandra Ortiz Hernández 解釋道，“當有人患有心臟疾病時，你往往會關(guān)注心臟，看看問題出在哪里。因此，如果我們的問題與大腦認知有關(guān)，我們?yōu)楹我紤]此人的反應時間或能劃掉多少個字母呢？”

認知測試結(jié)果也可能會掩蓋疾病。Ortiz 表示，在一些多動癥評估中，這類疾病患者可能表現(xiàn)得很好，因而錯過了可能讓他們得到所需治療的診斷。多動癥患者可能還患有其他疾病，如閱讀障礙，這可能會混淆診斷工作。她說道，“合并癥會使行為測試變得困難，有時還會產(chǎn)生誤導。這并不是適用于每個人的好方法?！?/p>

臨床醫(yī)生需要更精準的工具。Ortiz 說道，“我們相信，如果我們能著眼于問題的根源（即大腦），我們也許能做出更準確的診斷，確保需要藥物治療的兒童得到相應治療，同時避免給不需要藥物治療的兒童開處方?！?/p>

在這些問題的驅(qū)動下，López-Medrano 和 Bitsphi 的首席技術(shù)官 Miguel Blanco Carmona 共同探索了他們的認知模型是否與現(xiàn)實世界相關(guān)。Blanco 說道，“我們有一個理論模型，但我們需要一些證據(jù)來證明大腦到底是如何工作的?！?/p>

為了創(chuàng)建一款可以確定兒童是否患有多動癥的工具，Blanco 和 López-Medrano 需要招募患有和未患多動癥的兒童。然后，他們需要記錄兒童的大腦活動，看看基于其模型的統(tǒng)計算法是否可將這兩個組區(qū)分開來。

在這些早期測試中，López-Medrano 和 Blanco 使用腦磁圖 （MEG） 記錄了大腦活動?；钴S的神經(jīng)元會產(chǎn)生電活動，從而在大腦中形成磁場。MEG 掃描儀可以記錄磁信號，將活躍的網(wǎng)絡(luò)繪制成圖。

他們招募了兒童進行這些早期測試，并使用了 Maestú 的 MEG 工具采集數(shù)據(jù)。在使用 MEG 掃描儀時，這些兒童完成了一項認知任務，該任務旨在測試他們的注意力，看看他們是否能夠關(guān)注相關(guān)細節(jié)，而忽略無關(guān)細節(jié)。在這項神經(jīng)科學家稱之為“反應/不反應”的任務中，參與者在看到特定刺激物時按下按鈕，而在看到無關(guān)刺激物時便不按。在抑制按下按鈕的沖動方面，多動癥兒童患者的表現(xiàn)往往不如正常的同齡人。

各大腦區(qū)域之間的功能連接的差異。紅色表示較低的連通性，藍色表示較高的連通性。（圖片所有權(quán)：Bitsphi Diagnosis）

（左）一組受試者對刺激的誘發(fā)反應的均值和標準差及其在傳感器級的空間分布。（右）刺激前后振幅的差異。（圖片所有權(quán)：Bitsphi Diagnosis）

兩年后，López-Medrano 和 Blanco 收集了 40 名兒童的 MEG 數(shù)據(jù)（顯示大腦連通性和活動模式）。其中，20 名兒童患有多動癥，20 名沒有多動癥，同時他們都完成了“反應/不反應”任務。根據(jù)之前的神經(jīng)科學研究，López-Medrano 和 Blanco 知道他們需要評估的神經(jīng)回路，主要是背側(cè)和腹側(cè)注意力網(wǎng)絡(luò)。López-Medrano 說道，“下一步是將我們的數(shù)學建模應用于我們從測試中獲得的連通性結(jié)果?！钡麄儾淮_定如何才能做到最好。

López-Medrano 和 Blanco 決定申請加入 MathWorks 初創(chuàng)企業(yè)計劃，以獲得讓 Bitsphi 技術(shù)起步所需的技術(shù)支持和專業(yè)知識。在配備了初創(chuàng)企業(yè)計劃提供的 MATLAB 套件后，他們開始測試自己的模型，并使用 Signal Processing Toolbox 和 MATLAB 分析大腦數(shù)據(jù)。經(jīng)過這些早期測試，他們確定自己的模型能夠準確預測哪些參與者患有多動癥。López-Medrano 說道，“在‘反應/不反應’測試中，對照組比多動癥組表現(xiàn)得更好。數(shù)據(jù)顯示，對照組的腹側(cè)和背側(cè)注意力網(wǎng)絡(luò)之間的連接比多動癥組高效得多?！?/p>

雖然他們的模型取得了成功，但該團隊知道，如果此模型需要 MEG 掃描數(shù)據(jù)，則將永遠無法發(fā)揮商業(yè)價值。MEG 掃描儀價格昂貴，體積龐大，而且很難買到。例如，西班牙只有三臺 MEG 掃描儀?，F(xiàn)在，Bitsphi 的團隊正致力于讓他們的模型接受現(xiàn)實的檢驗。

從實驗室走向生活

Bitsphi 轉(zhuǎn)而采用了一種經(jīng)典腦成像技術(shù)，即腦電圖 （EEG）。一百多年以來，科學家和醫(yī)生們一直在使用 EEG 記錄大腦的電活動。盡管 EEG 不像 MEG 那樣準確，但它價格低廉，便于攜帶，而且大多數(shù)醫(yī)院都有提供。通過一頂緊貼頭皮、鑲著電極的帽子，EEG 可以近乎實時地記錄神經(jīng)元的電活動。但它不像 MEG 那樣具有較高的空間分辨率，這就是 Bitsphi 的團隊選擇從 MEG 入手的原因。

Blanco 說道，“現(xiàn)在，我們知道我們尋求的是什么，我們也知道涉及的是哪些區(qū)域。而且，我們在使用 EEG 尋找目標方面具有顯著優(yōu)勢?！?/p>

Bitsphi 的團隊正在與馬德里的一個醫(yī)院網(wǎng)合作，招募 150 名青少年參與者，以便用 EEG 重現(xiàn)他們的 MEG 結(jié)果。為了確保能夠找到多動癥的相似生物標志物，他們使用 MATLAB 在 MEG 和 EEG 數(shù)據(jù)之間進行轉(zhuǎn)換。Blanco 說道，“MATLAB 讓我們可以減少開發(fā)工作量，并專注于我們的技術(shù)核心?！?/p>

接下來，他們計劃使用一種稱為深度學習的人工智能方法加速和自動執(zhí)行診斷。來自 EEG 電極的數(shù)據(jù)將用于在 MATLAB 中訓練神經(jīng)網(wǎng)絡(luò)，以基于大腦區(qū)域之間的連通性確定生物標志物。神經(jīng)網(wǎng)絡(luò)將有助于簡化數(shù)據(jù)處理，在 EEG 記錄過程中去除肌肉運動或眨眼偽影，而這項任務通常需要人類專家才能完成。最終的深度學習算法將會計算兒童患有多動癥的概率，并幫助確定該兒童是否患有多動癥的多動和/或注意力不集中亞型。

面向臨床醫(yī)生的 MATLAB 應用，顯示捕獲的各種 EEG 圖像。（圖片所有權(quán)：Bitsphi Diagnosis）

作為 MathWorks 初創(chuàng)企業(yè)計劃的一部分，Bitsphi 的工程師已經(jīng)與 MathWorks 的應用工程師一起就他們技術(shù)的商業(yè)方向集思廣益，并且正在使用 MATLAB 開發(fā)一款面向臨床醫(yī)生的應用來顯示測試結(jié)果。雖然該工具在上市之前還有一段路要走，但 López-Medrano 將其視為一種診斷輔助工具，用來補充而不是取代臨床醫(yī)生的診斷。他說道，“你可以用它來處理情況不明的病例”，而不是診斷每一位患者。

López-Medrano 表示，他們預計在明年左右發(fā)布他們的產(chǎn)品。從那時起，Bitsphi 的團隊已將目光投向了多動癥以外的領(lǐng)域。Blanco 說道，“多動癥模型可能也適用于其他疾病，如精神分裂癥或自閉癥譜系障礙?！彼麄円言谟媱潓ζ渌膊∵M行臨床試驗，以評估可幫助臨床醫(yī)生進行診斷的連通性模式。

Blanco 說道，“使用 EEG，我們將能夠提供一種適用于每個人的全球性解決方案。這就是我們的使命?！?/p>

審核編輯 ：李倩