人們通過他們所說的內容以及他們說話的方式傳達意思：音調、用詞，以及短語的長度都是理解一個人心里在想什么的重要線索。當一個精神病學家或一個心理學家檢查一個人的時候，他們注意聽取這些信號，并根據(jù)過去的經(jīng)驗診斷其健康狀況?，F(xiàn)在，在機器學習的幫助下，研究者們應用了同樣的方法來診斷精神病病人。

在2015年，一個研究團隊開發(fā)了一個人工智能模型，能正確預測哪組年輕人的成員會精神錯亂——最主要的特征是精神分裂——通過分析他們的語音。該模型專注于精神病的語言性抽搐的跡象：短句子、疑惑、經(jīng)常使用「這個」、「那個」及「額」這樣的單詞，以及從一句話到下一句話的邏輯混亂。

現(xiàn)在，NeuroLex Diagnostics的首席執(zhí)行官兼工程師Jim Schwoebel想為主治醫(yī)生打造一款工具以幫助他們診斷精神病病人。在會診期間，NeuroLex的產(chǎn)品會通過一部安裝在附近看不到的墻上的智能手機或是其他設備（Schwoebel有一款Amazon Alexa應用的原型）記錄病人的信息。使用與精神病論文中的相同的模型，該產(chǎn)品會從病人的錄音中搜索語言線索。該人工智能會將它的發(fā)現(xiàn)以數(shù)字的方式呈現(xiàn)——像血壓讀數(shù)那樣——精神病學家做診斷的時候就可以參考這些數(shù)據(jù)。并且隨著該算法被越來越多的病人「訓練」，產(chǎn)生的讀數(shù)能更好地反應一個病人的心理狀態(tài)。

除了精神病分裂癥診斷器，Schwoebel的另一個想法獲得了來自美國精神病學會的獎賞，NeuroLex希望為已經(jīng)在醫(yī)院接受治療的精神病病人開發(fā)一款工具。該人工智能并不會幫助單一樣例的精神病診斷，而是實時檢查病人的語音以跟蹤他們的狀況。

對于Schwoebel來說，該工作也是關乎個人的：他認為該方法可能能夠幫助治療他哥哥的精神分裂癥。在Schwoebel的哥哥第一次精神崩潰前，他還能用短的、單個的詞做出回應，或者含混地表示他想去「那」或去「這」——以及在他的哥哥第一次精神病發(fā)作后那些「都具有意義的」令人不安的異常。

據(jù)Schwoebel說，在他的哥哥看精神病醫(yī)生并最終被確診之前，他們看了十多個初級治療醫(yī)生。這之后，他哥哥吃了一種沒有用的藥，后來又吃過一種沒有用的。在Schwoebel的哥哥確診并接受有效治療方案的那些年里，他經(jīng)歷了三次精神崩潰。因為對藥物的需要，Schwoebel好奇如何更快地為一個人開出正確的處方與合適的劑量。

為了找到這種方法，NeuroLex計劃對已經(jīng)在醫(yī)院里的精神病病人進行「前-后研究（pre-post study）」，「以觀察在醫(yī)院里的發(fā)病狀態(tài)或抑郁狀態(tài)過程中他們的語音模式是如何變化的?！估硐肭闆r下，該人工智能會分析接受心理治療的病人的樣本錄音，「以觀察哪種藥最有效」，從而「減少住院時間，」Schwoebel說。

如果一個人的語音在服用某種藥物之后，表現(xiàn)出更少的抑郁癥或躁郁癥的信號，該工具就能幫助證明該藥物是有效的。如果服藥后沒有變化，該人工智能可能會建議立即嘗試另外一種藥，避免病人繼續(xù)遭罪。并且，一旦它獲取了足夠的數(shù)據(jù)，它就能根據(jù)有相似語音特征的病人的情況推薦藥品。幾十年來，自動診斷方法已經(jīng)被預期在更廣闊的醫(yī)學領域中被應用：一家公司聲稱它的肺癌識別算法的精確度比人類放射科醫(yī)生的精確度還要高50%。

使心理健康臨床醫(yī)生的判斷更「客觀」、更「量化」的可能性，引起了馬薩諸塞州綜合醫(yī)院的精神病學家Arshya Vahabzadeh的注意，他曾作為Schwoebel合辦的創(chuàng)業(yè)加速器的導師?！妇穹至寻Y是一組可觀察到或可誘導的癥狀集」，而不是一概而論的診斷，他說。數(shù)據(jù)集足夠大的時候，人工智能可能可以通過觀察病人的共同特征，將「精神分裂癥」這樣一概而論的診斷分成更一針見血的，更有幫助的種類。「我認為數(shù)據(jù)會幫助我們將這些疾病分成更多子類，這是我們之前沒法做到的?！?/p>

與任何醫(yī)療干預一樣，人工智能助手「必須是經(jīng)過研究與驗證的。這是我的一大目標，」他說。雖然精神病預測研究表明，語音分析可以很好地預測精神病，但它仍然只是一個研究。沒有人還發(fā)表了抑郁癥或雙相情感障礙的概念證明。

機器學習非?；穑杂泻荛L的路要走——不論是機器之外還是機器之內。舉一個例子，Siri耗費多年處理蘇格蘭用戶的問題與命令。對于精神保健而言，一點點小差錯都可能是災難性的?！溉绻愀嬖V我一項技術20% 的情況下都是不管用的」——或80% 的精確度——「我不會把它用在病人身上的，」Vahabzadeh說。

當考慮到年齡、性別、種族、家庭或者地域，這種風險變得更令人不安。如人工智能基于單一人群的語音樣本訓練，那么在該人群之外的普通樣本就可能會導致錯誤的判斷。

「如果你來自某個文化，你可能會說得輕一點，音調也更低，」但人工智能「可能會將其解釋為抑郁，即使并不是如此，」Schwoebel說。

不過，Vahabzadeh相信某天該技術將能幫助臨床醫(yī)生更高效地治療更多病人。鑒于美國各地的精神醫(yī)療保健提供者短缺，這點非常重要，他說：「如果人類不是有成本效益的解決方案，那么我們必須在某種程度上利用技術來擴大和增強醫(yī)生的能力。」