17
機器人
計算機已能“看穿”自殺念頭，人工智能判斷自殺傾向正確率達87％
我們這個星球上每 40 秒就有一個人選擇了自殺，在許多國家中，自殺率最高的人群通常為中年人或老年人。但自殺死亡數則是在 15 歲至 29 歲的人群中最高，這是因為這一年齡層的人口較多。根據世界衛生組織估計，每年有 80 萬以上的人死於自殺，還有更多的人企圖自殺。因此，每年有數以百萬計的人經曆自殺帶來的喪親之痛或受此影響。
從目前技術層麵看，fMRI 對“預防自殺”的可推廣性不高，高昂的費用無疑是個門檻，但基於有效算法的人工智能或許在未來可以真正實現預防自殺。不過，對於那些從來不對任何人傾訴自己有自殺念頭的人群來說，未來人工智能的景象就很反烏托邦了：大眾被算法機器控製，打算實施自殺的人群被分類（當然，可能你還會問：為何要幹預他人的自殺？這則是另外一個倫理問題了）……
撰文 Megan Molteni
翻譯 楊睿
審校 石煒
編輯 魏瀟
圖源：MEHAU KULYK/科學照片圖書館/Getty Images
每當有人選擇結束自己生命的時候，他們就會給世界留下了很多難以回答的問題：“為什麼他們要這樣做？”“為什麼我們無法預知他們會自殺？”“為什麼我沒能早點幫到他們呢？”如果我們真的能輕易從外部診斷出自殺，那它就不再會是今天公民健康的一道詛咒了。2014 年，美國的自殺率已經飆升到了 30 年以來的最高點，自殺成為當代年輕人的第二大死因。如果你能進入某人的大腦，看看在什麼時候這種黑暗的想法可能會被付諸行動，一切會變成什麼樣呢？
（www.cdc.gov/nchs/products/databriefs/db241.htm）
目前，科學家正試圖通過大腦掃描技術和人工智能來幫助這些有自殺傾向的人。在《自然人類行為》（Nature Human Behavior）發表的一項研究中，卡耐基梅隆大學和匹茲堡大學的研究人員通過觀察人腦在 fMRI 中呈現的結果，分析了自殺個體對生命和死亡的看法、感覺與常人有何不同。然後，研究人員開始訓練機器，讓機器學習對應的算法來識別這些信號，比如提到“死亡”一詞時會出現的額葉活動加劇。這種分類算法能篩選出那些有自殺想法的人，準確度超過 90％。此外，它還能區分試圖真的傷害自己的人和那些隻是想想卻未付諸行動的人。
事實上，這類 fMRI 研究都受一些人盡皆知的缺點的影響。這項研究的樣本量太小，隻有 34 名受試者。就算該算法可能在這些受試者的大腦中發現特定的區域被激活，那也不等於說它在更大的群體中也能有這麼高的準確率。功能磁共振研究的另一個困境還在於：僅僅因為兩件事情同時發生並不能證明是其中一件事引起了另外一件事的發生。如此一來，這類研究就要擔心出現同義反複的問題：科學家猜測大腦的某些特定區域承擔了某些特定功能，然後當他們觀察到一係列人為挑選的觸發條件激活了這些區域時，他們一開始的假設就能得到證實。這種邏輯是沒有說服力的。
這項發表於《自然人類行為》的研究選擇了 17 位年齡在 18 至 30 歲之間的年輕人作為對象。這些人最近都曾向自己的心理醫生提到過有自殺的念頭。研究人員還另外招募了 17 位“神經學典範”作為對照組參與研究，接受 fMRI 掃描（神經學典範泛指無特異神經性表現的人，即無自閉症、閱讀障礙、發展性協調障礙、雙相情感障礙、注意力缺陷過動症，或其他類似情況的人）。在核磁共振成像儀內，受試者會依次看到 30 個單詞組成的隨機序列。其中 10 個單詞為普通正麵詞匯，10 個為普通負麵詞匯，還有 10 個單詞是和死亡、自殺聯係在一起的特定詞匯。然後研究人員會要求受試者看著麵前屏幕上顯示的每個單詞，思考三秒鍾：“對你來說，什麼是‘麻煩’？”“‘無憂無慮’的關鍵是什麼？”針對每一個詞，研究人員都會分別記錄受試者的大腦血流量，觀察他們大腦的哪些部分在活動。
兩組受試者思考“死亡”一詞的功能磁共振掃描結果。左：以前曾嚐試過自殺的人。右：對照組。圖源：卡耐基梅隆大學
隨後，研究人員將這些腦部掃描結果導入機器，讓機器學習算法。針對每一個單詞，研究人員都會告訴算法哪些掃描結果是有過自殺念頭的人，哪些屬於對照組；在這個過程中，研究人員會隨機挑出一個人，不讓他的掃描結果出現在算法訓練中。分類器學會很好地把這兩類人分開之後，研究人員就會讓它去對之前隨機留下的那個人的掃描結果進行分類。研究人員要重複完成這 30 個單詞，每次都要把一位受試者的掃描結果排除在算法訓練之外。最後，分類算法通過查看掃描結果，可以較準確地說明該人是否有過自殺的念頭，準確度達到了 91%。
為了知道分類器是否也能更普遍地分析人們的想法，研究人員又讓分類算法去識別另外 21 名有自殺意向的人。因為他們的腦部掃描結果太過淩亂，這些人的掃描結果之前是被棄之不用的。利用六個最具識別度的概念：死亡、殘忍、麻煩、無憂無慮、善良和讚美，算法發現自殺傾向者的概率為 87％。
卡耐基梅隆大學的心理學家、這篇研究論文的主要作者馬塞爾·恰斯（Marcel Just）表示：“分類算法在處理更混亂的數據時依然表現良好，這說明這個模型具有更廣泛的普遍意義。”但他還說，這種方法需要進行更多的測試才能確定它是否真的可以成功監測或預測未來的自殺企圖。畢竟比較有自殺可能和沒有自殺可能的群體，和利用大腦掃描結果確定受試者自殺可能性，並不是一回事。
但這就是總的研究方向。現在，醫生唯一能知道病人是否有自我傷害傾向的方法，就是要看病人是否把這種想法告訴了自己的心理醫生。但事實是，很多有自殺傾向的人並不會這樣做。研究還發現，在醫院中或出院後立即自殺的人當中，有近 80％ 的人在和心理醫生談話時並不承認自己有自殺傾向。我們迫切地需要開發出更好的預測工具。人工智能的真正機遇就是去填補這個空白，但可能並不會用到 fMRI 的數據。
（psycnet.apa.org/record/2003-04657-008）
為什麼不利用 fMRI 技術？因為這太不切實際。磁共振掃描可能要花費上千美元。而且，隻有具備足夠合理的臨床理由，保險公司才會處理這部分費用。也就是說，必須得是醫生認為，唯一能診斷出你有什麼問題的方法就是把你放到一個巨大的磁鐵上，這種方法才可能被保險公司承認。
雖然有大量的神經科學論文利用了 fMRI 技術，但在臨床上，成像過程隻在非常罕見的情況下才會保留下來。因此大多數醫院都沒有配備相應的儀器。也正是因此，恰斯打算重新進行這項研究，讓掃描儀內的受試者戴上電子傳感器。腦電圖（EEGs）的成本隻有功能磁共振成像成本的百分之一。恰斯是想將 fMRI 掃描出的大腦內部信號與對應的腦電圖結果相結合，讓醫生可以借助成本更低廉的測試來識別出自殺風險高的患者。
其他科學家已經在開發更多樣的、容易獲取的數據，希望能找到預示自殺即將發生的指示性特征。佛羅裏達州和範德堡大學的研究人員最近以 3250 名過去 20 年間曾試圖自殺的人為研究對象，利用他們的病例記錄訓練機器學習算法。在這項研究中，機器並不是通過受試者的大腦活動模式進行識別，而是利用年齡、性別、處方和病史等其他因素進行識別。它能夠較準確地預測出未來的自殺企圖，準確度大概是 85％。
範德堡大學的內科醫生、臨床信息學家科林·沃爾什（Colin Walsh）說：“作為一名醫生，這些東西並不會自己彈出電腦，跳到我的麵前。但電腦可以發現哪些特征組合可以預測出自殺的風險。”在科林的幫助下，該算法已經發展成了一種監測工具，納什維爾的醫生和其他醫療專業人員都可以利用這些算法來追蹤患者。“要實際使用這種工具，還必須以定期收集的數據為中心。不用做新的測試，不用做新的成像研究。我們隻要看這些醫療記錄就夠了，其中已經提供了很多醫療保健的信息。”
甚至還有其他專家開始在上遊進一步挖掘數據。公共衛生研究人員正在查看穀歌搜索結果，希望能找到自殺想法增加的證據。Facebook 也正在掃描用戶上傳的照片和直播視頻，尋找那些預示著自我傷害風險的單詞組合。美國退伍老兵事務管理局（VA）目前正在試用一種應用程序，它能被動拾取那些昭示抑鬱症及情緒波動的聲音線索。Verily 生命科學部門正在尋找智能手表和抽血過程中可以預測自殺傾向的生物標誌物。這些努力都是因為我們想要主動出擊，找到互聯網和社交媒體上那些有自殺傾向的人，而不是等他們什麼時候走過醫院門口或是去做 fMRI 掃描的時候，才知道我們要對他們伸出援手。
最後更新：2017-11-08 22:35:56