机器学习帮助科学家了解大脑如何产生复杂的人类特征，揭示与工作记忆等行为、冲动等特征和抑郁等疾病相关的大脑活动模式。借助这些工具，科学家们可以创建这些关系的模型，然后在理论上可以用来预测个人的行为和健康状况。
但这只有在模型代表所有人的情况下才有效，而之前的研究表明它们不能;对于任何模型，有些人不适合该模型。
在 8 月 24 日发表在《自然》杂志上的一项研究中，耶鲁大学的研究人员研究了这些模型往往会失败的原因、发生这种情况的原因以及可以采取的措施。
医学博士阿比盖尔格林说，要使模型发挥最大作用，它们需要适用于任何特定的个体。耶鲁大学医学院的学生和该研究的主要作者。
“例如，如果我们想将这种工作转移到临床应用中，我们需要确保该模型适用于坐在我们面前的患者，”她说。
Greene 和她的同事对模型如何提供更精确的精神病学特征很感兴趣，他们认为这可以通过两种方式实现。首先是通过更好地对患者群体进行分类。例如，精神分裂症的诊断包含一系列症状，而且每个人的症状看起来都非常不同。更深入地了解精神分裂症的神经基础，包括其症状和亚类，可以让研究人员以更细致入微的方式对患者进行分组。
其次，有一些特征，如冲动，在各种诊断中都有所共有。了解冲动的神经基础可以帮助临床医生更有效地针对该症状，而不管它所附的疾病诊断如何。
“这两项进展都会对治疗反应产生影响，”格林说。“我们越能了解这些可能携带或不携带相同诊断的个体亚群，我们就越能更好地为他们量身定制治疗方案。”
但首先，模型需要适用于所有人，她说。
为了了解模型失败，Greene 和她的同事首先训练了模型，这些模型可以使用大脑活动模式来预测一个人在各种认知测试中的得分情况。经过测试，这些模型正确地预测了大多数人的得分情况。但对某些人来说，他们是错误的，错误地预测人们实际上得分很高时得分会很低，反之亦然。
标签：
免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！