據世界衛生組織（WHO）統計，目前全球約 3.5 億人患有憂鬱症。此外，憂鬱症已成為自殺傾向的最大隱憂。據美國國立衛生研究院，美國約有 1,730 萬成年人至少有一次嚴重憂鬱症發作。2016－2017 年到 2017－2018 年間，有過嚴重自殺想法的成年人比率上升 0.15%。
為了應付攀升的患病率和自殺率，Google 母公司 Alphabet X 實驗室發起“Amber”計劃，旨在透過人工智能技術解決早期心理健康問題。
近日研究團隊稱，發現利用 AI 分析腦波圖診斷憂鬱症，可讓腦波圖像血糖檢測容易理解。更重要的是，能將抑鬱和焦慮的情緒轉為客觀精準的測量值，支援憂鬱症診斷治療。
AI 腦波圖診斷法
頭痛、無力、莫名悲傷、對任何事情提不起興趣，這是不是憂鬱症的表現？快節奏的都市社會生活，相信很多人都問過自己這些問題。
然而，判斷是否患有憂鬱症並不是那麼簡單。有專家表示，憂鬱症有 1,000 種可能的症狀組合，在不同人身上表現不同。
傳統評估方法主要取決於與臨床醫生的談話或調查，如 PHQ-9 或 GAD-7，但過於主觀。Amber 計劃小組提出將機器學習技術與腦波圖（EEG）結合的輔助方法。
此方案將腦波圖產生的憂鬱和焦慮情緒轉化成客觀測量指標，讓憂鬱症診斷像血糖檢測快速又精準。
Amber 計劃成員包括神經科學家、硬件和軟件工程師、機器學習研究人員和醫學技術專家。他們介紹，將機器學習技術與 EEG 結合的研究思路主要受神經科學研究啟發。
這些研究表明，大腦某些特定電波與憂鬱症狀相關。
他們設計類似遊戲，讓參與者完成任務時使用腦波圖（EEG），透過分析大腦獎賞系統的處理過程，發現與不憂鬱的人相比，憂鬱者遊戲獲勝後的大腦反應更容易受抑制。
鈍化的大腦反應已在多項神經科學研究證實，因此結果再次驗證機器學習演算法與 EEG 結合的準確性。
Amber 團隊也不是第一名提出此研究法。早在去年 4 月發表的論文，IBM 研究人員將機器學習與 EEG 結合開發出一款 AI 演算法，能分類癲癇病發作，準確率高達 98.4%。
EEG 已廣泛用於研究吞嚥、精神狀態分類、診斷神經精神疾病（如神經性疼痛和癲癇症）及情緒分類等多項研究。
易於收集和理解的腦波圖
以上測試僅在實驗室條件下進行。如果廣泛用於診斷治療憂鬱症患者，還需要解決兩項主要問題：一是使 EEG 數據更容易收集；二是使 EEG 數據更易於解釋。
針對第一項，Amber 團隊耗時 3 年時間創建一個低成本、便攜式的研究級腦波圖系統。
頭戴式耳機像泳帽，約需要 3 分鐘配置，使用沿中線 Fz、Cz 和 Pz 的 3 個感測器（用於評估獎勵和認知功能的關鍵通道或電極）。右側是隨附的生物放大器，最多支援 32 個通道，可用於採集靜息狀態腦波圖和事件相關電位，並透過軟件對腦波圖測量任務鎖定時間。
針對第二項，Amber 團隊使用機器學習方法減少 EEG 錄音的有害噪音。
他們與 DeepMind 合作，透過借鑑無監督學習的表示方法，證明可利用自動編碼器之類方法有效降噪 EEG 訊號，且無需人工干預（自動編碼器透過忽略噪音學習資料庫的表示形式）。
此外，Amber 團隊還提供一種概念證明，即提取與心理健康有關的特徵，可用於預測臨床標籤。
根據一位心理健康專家的臨床訪談，研究人員利用從自動編碼器分離出的特徵預測某些臨床症狀，如重度憂鬱障礙和焦慮症。與以前研究不同，研究能為個體參與者（而不是一個群體）服務，這對在臨床應用發揮作用至關重要。
X LAB 負責人 Obi Felten 的部落格文章也強調：此方法能從單一腦波圖試驗恢復可用訊號，意味著從腦電生理學獲得臨床有用訊息是有可能的，數據樣本要比傳統研究實驗室使用少。一般傳統研究通常需要數百次實驗支持。
計劃開源
遺憾的是，研究沒有成功發現確定憂鬱和焦慮的單一生物標誌。
不過，Amber 團隊相信技術在對付心理疾病複雜性方面擁有巨大潛力，因此，他們在 GitHub 公開軟件程式碼，希望目前研究成果能對腦波圖專家、更廣泛的心理健康研究發揮價值。
Amber 團隊承諾不會主張硬件專利，並向 Sapien Labs 捐贈 50 台未使用的 EEG 頭戴式耳機。Sapien Labs 主要執行人腦多樣性計劃，以支援低收入國家和代表性不足的群體 EEG 研究。
最後，Felten 寫道：“在現實世界，要用技術支援心理健康測量並發揮作用，實際上困難重重，需要做更多研究……而解決今天的挑戰需要科學家、臨床醫生、技術人員、政策制定者和有生活經驗的個人，多者一起建立新合作關係。”◆
