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、冲动等特征和抑郁症等疾病相关的大脑活动模式。有了这些工具，科学家可以创建这些关系的模型，理论上可以用来预测个人的行为和健康状况。

(资料图片)

但这只有在模型代表每个人的情况下才有效，而先前的研究表明它们不行;对于任何模型，有些人就是不适合模型。

在《自然》杂志上发表的一项研究中，耶鲁大学的研究人员研究了为什么这些模型往往会失败，为什么会发生这种情况，以及可以做些什么。

为了使模型发挥最大作用，它们需要适用于任何给定的个体，耶鲁大学医学院医学博士生，该研究的主要作者Abigail Greene说。

“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。

格林和她的同事对模型如何提供更精确的精神病学特征感兴趣，他们认为可以通过两种方式实现。首先是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，并且因人而异。更深入地了解精神分裂症的神经基础，包括其症状和亚类，可以让研究人员更细致地对患者进行分组。

其次，冲动等特征在各种诊断中都有。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，无论其与何种疾病诊断有关。

“这两项进展都将对治疗反应产生影响，“格林说。“我们越能理解这些可能携带或可能不携带相同诊断的个体亚组，我们就越能为他们量身定制治疗方法。

但首先，模型需要推广到每个人，她说。

为了理解模型失败，Greene和她的同事首先训练了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如何的模型。测试时，模型正确地预测了大多数人的得分。但对于某些人来说，他们是错误的，错误地预测人们在实际得分高的情况下会得分低，反之亦然。

然后，研究小组研究了模型未能正确分类的人。

“我们发现存在一致性 - 相同的个体在任务和分析中被错误分类，“格林说。“在一个数据集中错误分类的人与另一个数据集中错误分类的人有一些共同点。因此，被错误分类确实是有意义的。

接下来，他们观察这些人大脑的差异是否可以解释这些类似的错误分类。但是没有一致的差异。相反，他们发现错误分类与年龄和教育等社会人口因素以及症状严重程度等临床因素有关。

最终，他们得出结论，这些模型不仅仅反映了认知能力。相反，它们反映了更复杂的“概况” - 认知能力以及各种社会人口学和临床因素的混搭，格林解释说。

“这些模特让任何不符合这种刻板印象的人都失败了，“她说。

例如，研究中使用的模型将更多的教育与认知测试的更高分数联系起来。任何受教育程度较低但得分高的人都不符合模型的概况，因此经常被错误地预测为低分者。

使问题更加复杂的是，该模型无法获得社会人口统计信息。

“社会人口学变量嵌入在认知测试分数中，“格林解释说。从本质上讲，认知测试的设计、管理、评分和解释方式的偏见可能会渗透到获得的结果中。偏见在其他领域也是一个问题;例如，研究揭示了输入数据偏差如何影响刑事司法和医疗保健中使用的模型。

“因此，测试分数本身是认知能力和这些其他因素的复合，模型正在预测复合，“格林说。这意味着研究人员需要更仔细地考虑给定测试真正测量的内容，从而考虑模型预测的内容。

该研究的作者就如何缓解这个问题提供了一些建议。他们建议，在研究设计阶段，科学家应该采用最小化偏差并最大限度地提高测量有效性的策略。在研究人员收集数据后，他们应该使用统计方法来纠正尽可能多地保留的刻板印象。

研究人员表示，这些措施将导致模型更好地反映正在研究的认知结构。但他们指出，完全消除偏差是不可能的，因此在解释模型输出时应该承认这一点。此外，对于某些度量值，可能需要多个模型。

“总有一天，你只需要为不同的人群提供不同的模型，“耶鲁大学医学院放射学和生物医学成像教授、该研究的资深作者托德康斯特布尔说。“一种模式并不适合所有人。

关键词: