精神分裂症是一种严重且常常高度致残的精神障碍，其特征是情绪扭曲、思维模式异常和对现实的感知改变，以及认知功能障碍。该疾病通常在青少年晚期或成年早期出现，需要终生服用抗精神病药物治疗。
精神分裂症的症状包括幻觉、关于自我和世界的错误或非理性信念（即妄想），以及记忆障碍、注意力缺陷和学习困难。目前，精神分裂症由精神科医生或其他受过训练的心理健康专家通过综合访谈和临床评估进行诊断。
识别精神分裂症的神经和心理特征有助于开发额外的工具来诊断和监测该疾病，或更好地规划个体患者的治疗。在最近发表在《自然-心理健康》期刊上的一篇论文中，华盛顿大学、加州大学圣地亚哥分校、VA圣地亚哥医疗系统和其他机构的研究人员表明，通过分析神经认知测试期间收集的数据，机器学习模型可以准确区分被诊断为精神分裂症的人和其他没有精神健康障碍的人。
罗伯特·Y·陈(Robert Y. Chen)、蒂芙尼·A·格林伍德(Tiffany A. Greenwood)及其同事在论文中写道："精神分裂症的神经认知生物标志物的开发依赖于冗长的测试组合，这些测试在临床环境中难以实施。通过机器学习，我们试图确定一组可以区分精神分裂症患者和健康对照组(HCS)的神经认知领域。"
分析从精神分裂症患者收集的数据
研究人员开发了一个机器学习模型，这是一种能够快速分析大量数据并学会识别数据中的模式或预测特定结果的计算模型。该模型在从559名被诊断为精神分裂症或分裂情感障碍（该障碍将精神分裂症的一些症状与情绪障碍如抑郁症或双相情感障碍结合）和745名没有已知精神健康障碍的人收集的神经认知数据上进行了训练。
收集数据的个体完成了15项既定测试，这些测试评估不同的思维和大脑功能。研究人员开发的机器学习模型学会了从这些数据中识别可用于区分被诊断为精神分裂症或分裂情感障碍的患者与没有精神健康障碍的人的模式。
陈、格林伍德及其同事写道："我们开发了一个机器学习模型，能够准确区分精神分裂症患者和健康对照组，并在一个独立队列中进行了复制。递归特征消除显示，仅需两个神经认知领域——言语学习和情绪识别——就足以达到相同的分类准确率。"
朝着更可靠的精 神分裂症诊断工具迈进
陈、格林伍德及其同事表明，他们的模型能够以显著的准确性区分被诊断为精神分裂症的人和那些没有接受神经精神诊断的人。此外，他们表明，两种特定的心理能力，即言语学习（即学习和记忆单词的能力）和情绪识别（即识别和解释他人情绪的能力）对于精神分裂症的预测特别关键。
当模型仅关注这两种认知能力时，它达到了与探索神经认知测试期间评估的所有心理能力时相当的准确性。这表明这两个领域的缺陷对精神分裂症和分裂情感障碍的预测最为关键。
作者写道："这些发现支持了一种'少即是多'的方法，用于整个精神分裂症谱系的高效神经认知分析，并突显了这种致残性疾病中最受损的神经认知领域。"
未来，这项最新研究的结果可以为开发新工具提供信息，这些工具可以简化精神分裂症和分裂情感障碍的诊断，或帮助心理健康从业者制定最能支持个体患者的治疗计划。此外，它们可以为旨在使用机器学习揭示特定精神障碍最具预测性的认知和神经特征的进一步研究提供信息。
【全文结束】
