Page 242 - 急诊医学与精神疾病的临床理论研究

第七章 大数据时代的精神分析

式中，p i 是根据训练实例的百分比进行估算的；m 是类别数。
4. 深度学习
经典的机器学习方法，如贝叶斯模型和 SVM，已经在精神病学和神经科学

领域得到了广泛的应用。目前，深度学习是一个热门的机器学习研究方向，它在
很大程度上超越了前面提到的 AI 模型。
深度学习是指在多层神经网络上使用各种机器学习算法来解决图像或文本等
各种数据的一组算法。结合低维特征，深度学习可以开发出更加抽象的高维属性

类别或特征，从而发现数据的分布式特征。
通过在 TensorFlow 框架上使用 DNN，Khan 等利用一种计算工具（综合精神
疾病基因组评分，简称 iMEGES）分析了个人基因组的全基因组 / 外显子组序列
数据。基于深度学习框架，该工具为精神疾病创建了优先基因评分。研究结果表

明，当有大量训练数据集存在时，该工具的性能优于竞争方法。
此外，Heinsfeld 等对大型脑成像数据集采用了深度学习算法，并且仅根据
患者的大脑激活模式就识别出了自闭症谱系障碍患者。研究结果表明，数据集的
分类准确率达到 70%，可见，深度学习算法对大数据集的分类效果优于其他方法。
此外，研究结果显示了深度学习算法在临床数据集中的应用前景，并阐明了 AI

在精神疾病诊断中的应用前景。
尽管深度学习算法先进的性能在一些领域已得到验证，但由于其在学习和测
试过程中缺乏透明度，所以该算法一直受到人们的密切关注。例如，深度学习被

称为“黑匣子”。相比较而言，LR 等技术相对简单易懂。
DNN 的最新研究成果：例如，在 CNN 可视化方面，Springenberg 等提出了
一种可被用于从深度学习中获取特征的反卷积方法。此外，Kindermans 等提出了
一种将输入图像中对 CNN 决策过程贡献最大的区域进行可视化的方法。而在利

用传统机器学习模型解释神经网络的相关研究中，Zhang 等提出了一种解释预训
练 CNN 卷积层特性的方法，并利用说明图揭示了隐藏在 CNN 中的知识层。总之，
一个好的 AI 模型应该是可解释、可通用和适应性强的，并且应该从数据、规则
和交互中进行学习。

225