هوش مصنوعی به تشخیص بهتر بیماری‌ روانی کمک می‌کند

دیوید زارلی از نویسندگان theverge پس از بازدید از مؤسسه تحقیقاتی بیوپزشکی فرالین واقع در دانشگاه ایالتی و پلی‌تکنیک ویرجینیا گزارش مفصلی از تلاش پژوهشگران برای توسعه‌ی الگوریتم‌های تشخیص اختلالات روانی گردآوری کرده است:

من بار دیگر به داخل دستگاه MRI می‌خزم و آینه‌ را طوری تنظیم می‌کنم که صفحه‌ نمایش پشت سر من به خوبی دیده شود. این آینه درست بالای کلاهی که بر سرم گذاشته‌ام قرار دارد. این کلاه درواقع دستگاهی شبیه کلاه بازی لاکراس است که برای ثابت نگه داشتن جمجمه‌‌ام پوشیده‌ام. اکنون باید به طرز صحیح دراز بکشم تا فرایند عکس‌برداری شروع شود، یعنی باید یک پد حاوی دکمه‌هایی را که برای کنترل بازی لازم است، در یک دست بگیرم و در دست دیگرم یک توپ فشردنی که هنگام مواقع اضطراری می‌توانم فرایند عکس‌برداری را با فشردن آن متوقف کنم. دو دستم را به‌صورت صلیبی روی استخوان سینه قرار می‌دهم، درست مانند آن مومیایی‌های مصری.

اسکن‌های مغز من و عکس‌های MRI گرفته‌شده از آن، که البته فرآیندی بسیار طاقت‌فرسا و طولانی است، درنهایت به‌عنوان داده به یک الگوریتم یادگیری ماشین وارد می‌شوند، البته در صورتی که این اسکن‌ها چیزی بیشتر از نشان دادن نحوه‌ی کار دستگاه برای من بوده باشد. یک تیم از پژوهشگران و دانشمندان با استفاده از این الگوریتم در تلاشند کشف کنند که مغز انسان‌ها چگونه به موقعیت‌های اجتماعی مختلف پاسخ می‌دهد. درواقع پژوهشگران می‌خواهند مغز افراد سالم را با مغز افرادی که مبتلا به اختلالات سلامت روان هستند مقایسه کنند. این اطلاعات ممکن است به آن‌ها در تشخیص دقیق‌تر اختلالات روانی کمک کند و شاید هم درنهایت دلایل فیزیکی بروز این اختلالات کشف شود. هدف نهایی دانشمندان در توسعه‌ی الگوریتم‌های یادگیری ماشین این است که بهترین دخالت پزشکی ممکن برای درمان هر نوع اختلال سلامت روان با دقت بالا ازطریق این الگوریتم‌ها انتخاب شود.

ایده‌ی اصلی این مطالعه ساده است: استفاده از الگوریتم برای به دست آوردن درک عملی از مغز؛ نشان دادن احساسات به‌صورت اطلاعات دیجیتال.

اختلالات سلامت روان بخش قابل‌ملاحظه‌ای از جمعیت جهان را تحت‌تاثیر قرار داده است. طبق گزارش‌های سازمان بهداشت جهانی افسردگی به‌تنهایی ۳۰۰ میلیون انسان را در سرتاسر جهان درگیر کرده است و یکی از علل اصلی ازکارافتادگی به شمار می‌آید. طبق ارزیابی این سازمان ۶۰ میلیون نفر نیز دچار اختلال دوقطبی و ۲۳ میلیون نفر مبتلا به شیزوفرنی هستند.

اما سؤال این است که آیا مدل فعلی تشخیص و معالجه‌ی این اختلالات بهترین راه است؟ آیا ما به بهترین شکل اختلالات روانی را تشخیص می‌دهیم؟ در حال حاضر تشخیص اختلالات روانی براساس علائمی که در شخص پدیدار می‌شود انجام می‌پذیرد، این علائم توسط روانپزشکان حرفه‌ای دسته‌بندی شده‌اند و در یک دفترچه راهنما به نام راهنمای تشخیصی و آماری اختلال‌های روانی (به اختصار DSM)، که اکنون نسخه‌ی پنج آن به چاپ رسیده، گردآوری شده است. اما آیا استفاده از یادگیری ماشین می‌تواند جواب بهتری برای این سؤال باشد؟

اول از همه نوبت MRI ساختاری است، که اساسا تصویربرداری اشعه‌ی ایکس از بافت نرم محسوب می‌شود. این اسکن فوق‌العاده پرسروصدا پنج دقیقه به طول می‌کشد. پس از آن نوبت به MRI کارکردی یا همان fMRI می‌رسد. در این روش تصویربرداری عکس‌هایی از مغز من در حال انجام یک عمل مشخص گرفته می‌شود. به همین دلیل است که یک ستاپ پیچیده از صفحه‌نمایش، آینه و پد بازی برای من در داخل دستگاه MRI تدارک دیده شده است.

اسکن‌های مغزی من، اگر یک شخص مورد مطالعه‌ی واقعی بودم، مستقیم به این گروه از اختلالات روانی تعلق می‌گرفت: اختلال شخصیتی مرزی. در حقیقت من شب پیش از حضور در این آزمایشگاه و البته همین امروز صبح دچار یکی از آن حالات مرزی شده بودم. بنابراین حضور من در اینجا از لحاظ زمانی به نظر جالب می‌رسید، درست مانند اینکه با یک آمبولانس تصادف کنید.

برای تیم تحقیقاتی مستقر در دانشگاه ویرجینیا تک که به درون مغز من نگاه می‌کنند، علم روانپزشکی محاسباتی، پیش از این نیز برای آن‌ها دستاوردهایی به ارمغان آروده است. این تیم متشکل از پژوهشگران در جریان یک مطالعه در سال ۲۰۰۸ دریافتند که همنوعان من در اختلال شخصیت مرزی به نظر می‌رسد که بیشتر به عمل متقابل (یعنی من به تو کمک می‌کنم و تو هم به من) اهمیت می‌دهند تا افراد نوروتیپیکال (یعنی افراد عادی دارای سلامت روانی)؛ موضوعی که درست برعکس تصور اولیه‌ی آن‌ها بود. این یافته‌ی پژوهشگران با تجربه‌ی شخصی من هم سازگاری دارد. من بیشتر از حالت عادی تمایل دارم به روابط دوستی خودم با دیگران نگاه معامله‌گونه داشته باشم، معامله‌ای که بیشتر مواقع پول رایج آن، توجه کردن است.

بعد از حدود ۱۵ دقیقه انجام بازی رایانه‌ای درون دستگاه fMRI از تخت پایین می‌آیم. مغز من عکس‌برداری شده بود. به نمایشگر رایانه نگاه می‌کنم و نگاهم به تصاویر خاکستری می‌افتد. حالا دشمنم را می‌بینم.

مؤسسه‌ی تحقیقاتی بیوپزشکی فرالین در ویرجینیا تک کاریلیون، مرکز آزمایشگاه‌های عکس‌برداری عصبی انسانی است. این مرکز اکنون یکی از کانون‌های رشد سریع یکی از علوم عصبی شده است: روان‌پزشکی محاسباتی، علمی که ابزار رایانه‌ای را با دانش روانپزشکی مرتبط می‌کند. فعالان این عرصه امیدوارند یادگیری ماشین به درک مبتنی بر داده‌ بیشتری از اختلالات ذهنی کمک کند.

انجام این نوع کار علمی تا همین اواخر ممکن نبود. الگوریتم‌هایی که مؤسسه‌ فرالین استفاده می‌کند شاید دهه‌ها پیش توسعه داده شده‌اند، این الگوریتم‌ها با تصویربرداری fMRI ترکیب می‌شود، روشی که در دهه ۹۰ میلادی ابداع شد. اما قدرت پردازشی لازم برای ترکیب این دو هم‌اکنون در دسترس قرار گرفته است. همین موضوع باعث شده است تا پژوهشگران بیش‌ازپیش مایل باشند برای بررسی مسائل نوین روانپزشکی از روش‌های نوین علمی استفاده کنند.

علم روانپزشکی سعی می‌کند ذهن را ارزیابی کند، چیزی که متفاوت از مغز است. بنابراین این علم تا حد زیادی به توصیف افراد از شرایط ذهنی خودشان بستگی دارد. با اینکه روش‌های تشخیص کلینیکی تا حد زیادی دقیق هستند بااین‌حال این روش‌ها مستعد بروز برخی بی‌دقتی‌ها نیز هستند. برای مثال یک شخص ممکن است به میزان ناراحتی خود نمره‌ی ۵ از ۱۰ بدهد، درحالی‌که اشخاص دیگر ممکن است برای همین میزان ناراحتی نمره‌ی ۱۰ یا ۳ بدهند. درواقع هیچ‌کدام از آن‌ها اشتباه نمی‌کنند. موضوع این است که زبانی که برای اندازه‌گیری دقیق درد استفاده می‌شود، یکپارچه نیست.

اختلالات سلامت روان از طرف دیگر بی‌شکل هستند، یعنی در اغلب موارد، علائم آن‌ها در بین تشخیص‌های متفاوت مشترک است. اما با ترکیب روش تصویربردادری fMRI با میزان بسیار زیاد داده‌ می‌توان امیدوار بود که الگوریتم‌های یادگیری ماشین بتوانند تشخیص دقیق و سریع اختلالات ذهنی را یاد بگیرند. پژوهشگران امیدوارند علائم فیزیکی اختلالات ذهنی را پیدا کنند و تاثیر هر یک از مداخلات پزشکی برای درمان این اختلالات را به‌صورت فیزیکی در بدن بیمار مشاهده کنند.

در اولین روزی که به مؤسسه‌ی فرالین رفتم، در لابی بزرگ آن با دو هماهنگ‌کننده‌ی تحقیقاتی به نام‌های دوگ چان و وایتنی الن و یک دانشجوی دکترای رشته‌ی بیولوژی کاربردی‌سازی، پزشکی و بهداشت به نام مارک اورلف روبه‌رو شدم. ما به آزمایشگاه تصویربرداری عصبی انسان می‌رسیم و از درهای دارای قفل کارتی و لابی عبور می‌کنیم. در لابی این جا هم مانند لابی تمام آزمایشگاه‌های پزشکی دیگر انبوه مجله‌ها روی میز روی هم انبار شده بود.

بعد از لابی دفترهای شخصی پزشکان قرار دارد. دیگر اعضای آزمایشگاه در یک سالن بزرگ کنار یکدیگر کار می‌کنند. در این سالن تعداد زیادی میز کار و رایانه و کاکتوس‌های کوچک گلدانی وجود دارد. دستگاه‌های MRI در آخر سالن قرار دارند. در طرف دیگر پنجره و دری که ما را از دستگاه‌های MRI جدا می‌کند، اورلف یک مدل کوچک مغزی که با پرینتر ۳ بعدی چاپ شده بود و به بزرگی یک همستر بالغ بود را در دست می‌گیرد. او می‌گوید که این مدلی از مغز خود او است. اورلف شوخی می‌کند:

درست در ابعاد واقعی، هه هه!

در نزدیکی ما اتاق‌های مصاحبه قرار دارد، اتاق‌هایی که به سبک اتاق‌های بازجویی پلیسی دارای پنجره‌هایی با آینه یک‌طرفه و میکروفن هستند تا پژوهشگران بتوانند هنگام مصاحبه‌ی کلینیکی با بیماران رفتار آن‌ها را تحت‌نظر بگیرند. همچنین اتاق‌های مخصوصی وجود دارد که در آن افراد می‌توانند بازی‌های رایانه‌ای آنلاین با گیمرهای دیگر انجام دهند تا اطلاعات بیشتری از شخص مورد مطالعه استخراج شود. اما آن چیزی که دورتادور پژوهشگران در این ساختمان را در برگرفته، درواقع ابزار کلیدی آن‌ها در انجام مطالعاتشان، یعنی روابط ریاضی است. در سالن بزرگ، در اتاق کنفرانس، روی وایت‌بردها، روی پنجره‌ها و حتی دیوارها، فرمول‌های ریاضی با ماژیک‌های رنگارنگ نوشته شده است. اینجا ریاضی، کاغذدیواری ساختمان و بک‌گراندی است که پژوهشگران در آن از سویی به سوی دیگر می‌روند.

پیرل چیو با موهای بلند مشکی حالتی از اعتمادبه‌نفس صامت در چهره‌ی خود دارد. او قبل از حرف زدن مکث کوتاهی می‌کند تا به چیزی که می‌خواهد بگوید فکر کند. در کلام او وقتی که از کار خودش حرف می‌زند آن رضایتی که در یک معلم هنگام درس دادن وجود دارد، احساس می‌شود. او تنها روانپزشکی کلینیکی دوره‌دیده در این آزمایشگاه است که تجربه‌ی مستقیم در زمینه‌ی کار با بیماران در محیط کلینیکی دارد. او از یک محیط کاملا انسانی وارد دنیای الگوریتم‌ها شده است. خود او می‌گوید:

وقتی که با بیماران کار می‌کردم، از اینکه می‌دیدم چقدر از اتفاقی که در دورن آن‌ها می‌افتد بی‌خبریم، سرخورده می‌شدم.

او باور دارد که دخالت دادن یادگیری ماشین در تشخیص الگوها شاید راه چاره باشد.

یک چیز برای چیو مشخص است: «چیزی که ما الان داریم کار نمی‌کند.»

نتایج به‌دست‌‌آمده از مصاحبه‌ها، تصویربرداری MRI و fMRI، داده‌های رفتارشناختی، داده‌های کلامی به‌دست‌آمده از مصاحبه‌ها و ارزیابی‌های روان‌شناختی همگی وارد یک الگوریتم یادگیری ماشین می‌شوند. به‌زودی نمونه‌های بزاق و خون افراد نیز به‌عنوان داده در این الگوریتم‌ها به کار گرفته خواهد شد. آزمایشگاه تحت نظارت چیو امیدوار است سیگنالی که برای تشخیص یک اختلال لازم است را از بین انبوه نویزها بیابد.

اسکن‌های انجام‌گرفته توسط fMRI اطلاعات نئورولوژیکی در اختیار الگوریتم‌های یادگیری ماشین قرار می‌دهد و به این الگوریتم‌ها اجاز می‌دهد تا یاد بگیرند که کدام قسمت‌های مغز به محرک‌های مشخصی پاسخ می‌دهند یا به اصطلاح روشن می‌شوند تا به این ترتیب پلتفرمی برای مقایسه‌ی رفتارهای کنترلی سالم پی‌ریزی شود. الگوریتم‌ها می‌توانند الگوهای جدیدی را از رفتارهای اجتماعی ما استخراج کنند، یا به ما نشان دهند که کی و کجا یک مداخله‌ی درمانی مؤثر می‌تواند صورت گیرد. شاید همه‌ی اینها به ابداع پلتفرمی برای روش‌‌های پیشگیری‌کننده‌ی سلامت روان ازطریق انجام ورزش‌های خاص به منظور تغییر الگوی رفتاری مغز منجر شود. متاسفانه fMRI مانند هر ابزار دیگری نواقص خود را دارد. این روش تصویربرداری گاهی ممکن است به اشتباه فعالیت مغزی مثبت ثبت کند. در یکی از برجسته‌ترین نمونه‌ها، اسکن fMRI یک ماهی سالمون مرده، فعالیت مغزی مثبت آن را نشان داده بود.

شخصی که وارد این آزمایشگاه می‌شود، ابتدا باید مصاحبه‌ی کلینیکی انجام دهد و سپس باید در داخل یا خارج دستگاه MRI عمل مشخصی، مانند بازی رایانه‌ای انجام دهد. همچنین داده‌های ژنتیکی او جمع‌آوری می‌شود. زمانی‌که همه‌ی داده‌ها جمع‌آوری شد، وارد یک الگوریتم یادگیری ماشین می‌شوند و الگوریتم یک نتیجه به بیرون می‌دهد. نتایج‌ سریع اما کثیف ممکن است در چند دقیقه آماده شوند، اما نتایج تمیز و با جزئیات ممکن است هفته‌ها بعد آماده شوند. همچنین مدل‌های قوی‌تر می‌توانند داده‌های بیشتری را پردازش کنند و زمان پاسخ‌گوی را کاهش دهند. اگر مصاحبه‌های کلینیکی یک شخص پیشنهاد کند که او دچار افسردگی است، پژوهشگران می‌توانند از مدل‌های افسردگی استفاده کنند تا پاسخ‌های سریع‌تری به دست آورند.

چیو با استفاده از اسکن‌ها می‌خواهد کاری کند تا بیماران معالجه‌ی بهتری دریافت کنند. او می‌گوید شاید این روش بتواند الگوهایی را تشخیص دهد که در کلینیک تشخیص داده نمی‌شود یا اینکه تنها با ارزیابی مغز تشخیص آن‌ها غیرممکن است. با صورت فیزیکی دادن به اختلالات سلامت روان، چیو امیدوار است احساس شرمی که افراد دچار اختلالات ذهنی احساس می‌کنند را از بین ببرد. اگر یک اختلال روانی مانند اختلال شخصیت دوقطبی یا شیزوفرنی به‌صورت مشهود و جسمانی، مانند یک بیماری قلبی تشخیص داده شود، در آن صورت آیا فرد همان میزان شرم را احساس خواهد کرد؟

با در دست داشتن این اطلاعات، چیو امیدوار است تشخیص‌های روانپزشکی دقیق‌تر و حساس‌تر باشند، برای مثال تشخیص یک نوع خاصی از افسردگی که خود را در برخی از نواحی مغز نشان می‌دهد. او روزی را تصور می‌کند که با استفاده از داده‌های پردازش‌شده توسط الگوریتم‌ها بتوان دریافت که نوع خاصی از افسردگی یک شخص به کدام روش درمانی بهتر پاسخ می‌دهد. برای مثال ممکن است شخصی به رفتاردرمانی بهتر پاسخ دهد اما دیگری به دارو درمانی.

در حال حاضر آزمایشگاه چیو روی اختلالات انگیزشی، یا آنطور که خود او بیان می‌کند روی افسردگی، و اعتیاد تمرکز کرده است. الگوریتم‌ها می‌توانند مدل‌های تشخیصی توسعه دهند، مدل‌هایی که پژوهشگران امیدوارند روی زندگی بیماران تاثیر مستقیم بگذارند. اما چیو می‌پرسد:

ما چطور می‌توانیم چنین چیزهایی را دوباره به محیط کلینیک برگردانیم؟

برای اینکه تلاش‌های چیو به ثمر بنشیند و بیماران کمک واقعی این مطالعات را احساس کنند، استفاده از یادگیری ماشین بسیار ضروری است. چیو در این مورد می‌گوید:

ما داده‌های بسیار زیادی داریم اما تا حالا نتوانسته بودیم الگویی را توسعه دهیم. انسان‌ها نمی‌توانند این انبوه داده‌ها را طبقه‌بندی کنند، اما رایانه‌ها می‌توانند.

اما علاوه‌بر آزمایشگاه چیو، تکنیک یادگیری ماشین، به‌خصوص الگوریتم‌هایی که براساس آزمون و خطا توسعه داده می‌شوند، در آزمایشگاه بروکز کینگ-کیسس نیز یکی از عناصر کلیدی مطالعات هستند. کینگ-کیسس، استادیار شاغل در مؤسسه تحقیقاتی بیوپزشکی فرالین در ویرجینیا تک است و در آزمایشگاه خود سعی می‌کند دریابد که چه ترکیبی از هزاران و هزاران متغیرهایی که او در آزمایشگاه به مطالعه‌ی آن‌ها می‌پردازد، در توسعه‌ی الگوریتم‌های مناسب مؤثر هستند.

کینگ-کیسس چهره‌ای آسمانی دارد. موی سر سیاه‌رنگ او دارای رگه‌های نقره‌ای‌رنگ است و عینک او به رنگ آسمان شب است. او هنگام حرف زدن مدام دستانش را حرکت می‌دهد تا منظورش را بهتر به مخاطب خود برساند. اگر بخواهیم کلی حرف بزنیم، آزمایشگاه کینگ-کیسس روی رفتارهای اجتماعی تمرکز دارد. تیم او در حال مطالعه روی الگوها، اختلافات ظریف، احساسات و نواحی درگیر مغز هنگام تعاملات اجتماعی هستند. آزمایشگاه او علاقه‌ی خاصی به ارزیابی تفاوت در این الگوها در افرادی که دارای اختلال سلامت روان هستند و افرادی که از سلامت روانی برخوردار هستند، نشان می‌دهد؛ تفاوت الگوها در اشخاصی که از لحاظ کلینیکی سالم هستند و کسانی از یک اختلال روانی مانند شخصیت مرزی رنج می‌برند، کسانی که روابط اجتماعی برای آن‌ها مانند تله‌ی عنکبوت است، کسی مثل من.

کینگ کیسس می‌گوید:

من علاقه دارم این موضوع را از ریشه بررسی کنم که اشخاص چگونه تصمیم می‌گیرند، و چگونه روش‌های تصمیم‌گیری در افراد دارای اختلالات روانی مختلف با یکدیگر فرق می‌کند.

آزمایشگاه تحت نظارت کینگ-کیسس در حال توسعه‌ی مدل‌های عددی است تا اجزای فرایند تصمیم‌گیری را تک‌به‌تک پردازش کند، با این امید که دریابد دقیقا در کجای این فرایند کارها اشتباه پیش می‌رود. کینگ-کیسس با بررسی جز‌ به جز تعاملات اجتماعی امیدوار است به احساسات انسانی یک عدد نسبت دهد، یعنی علم رفتار اجتماعی را طوری مطالعه کند که انگار ما انسان‌ها بافت سلولی کوچکی هستیم. داده‌های جمع‌آوری و پردازش‌شده ممکن است به ما نشان دهد که یک شخص مبتلا به اختلال شخصیت مرزی نسبت به یک شخص سالم چگونه دنیای پیرامون خود را ارزش‌گذاری می‌کند.

کینگ-کیسس این‌گونه توضیح می‌دهد:

ما به این الگوهای یادگیرنده‌ی تقویت‌شده نیاز داریم تا صدها تصمیمی که شما می‌گیرید را دریافت کند و آن‌ها را با یک عدد سه رقمی نشان دهد، طوری که همه‌ی اطلاعات در این سه رقم گنجانده شده باشد.

کیسس می‌گوید بدون وجود الگوریتم‌ها، انجام چنین کاری غیرممکن است. حتی برای یک کار ساده مانند یک انتخاب دوگزینه‌ای، آزمایشگاه کینگ-کیسس حدود ده مدل توسعه داده است. هر کدام از این مدل‌ها می‌توانند توضیح می‌دهند که چگونه فرایند تصمیم‌گیری انجام می‌شود.

کینگ-کیسس ادامه می‌دهد:

مغز را مانند یک مدل در نظر بگیرید. کاری که ما می‌کنیم این است که رفتار شخص را برمی‌داریم و می‌گوییم خب کدام مدل بهتر می‌تواند تصمیماتی که شما گرفتید را توضیح دهد؟

چیزی که آزمایگشاه او سعی دارد انجام دهد، کشف الگوریتم‌های محاسباتی مغز است.

انسان‌ها نگرش عینی و بی‌طرفانه ندارند و این ویژگی ممکن است به الگوریتم‌هایی که توسط او نوشته می‌شود نیز سرایت کند. ما تمایل داریم این‌طور فکر کنیم که الگوریتم‌ها براساس اطلاعات بی‌طرفانه‌ای که به آن‌ها داده می‌شود، توسعه می‌یابند و تصمیم‌گیری می‌کنند، اما این تصور درست نیست. داده‌ها توسط انسان‌ها جمع‌آوری می‌شوند، انسان‌هایی که نظرات و تمایلات مخصوص خود را دارند. از طرف دیگر ابزارهایی که برای جمع‌آوری داده‌ها به کار می‌روند، کمبودهایی نیز دارند که می‌توانند منجر به انحراف داده‌ها از واقعیت شوند.

تشخیصی که الگوی یادگیری ماشین براساس برنامه‌ریزی‌های جانبدارانه انجام می‌دهد مفید نیستند. به‌طور مشخص، تاریخ روانپزشکی مملو از تبعیض جنسیتی است که تا به امروز نیز ادامه دارد. برای مثال طبق آمار سازمان بهداشت جهانی، اگر شما زن باشید، احتمال اینکه روانپزشک برای شما داروهای روان‌درمانی تجویز کند بیشتر است.

حتی مفاهیم اساسی مانند درد نیز از تبعیض جنسیتی در امان نمانده‌اند. طبق مطالعه‌ای که در سال ۲۰۰۱ در ژورنال Law, Medicine & Ethics چاپ شده بود، زنان نسبت به مردان هنگام مراجعه به پزشک بیشتر از درد شکایت می‌کنند. همچنین زنان درد‌های متناوب‌تر و طولانی‌تر گزارش می‌کنند اما نسبت به مردان معالجه‌ی سبک‌تری دریافت می‌کنند. گزارش این‌طور نتیجه می‌گیرد که درواقع زنان با خصومت و ناباوری بیشتری در محیط‌های کلینیکی روبه‌رو می‌شوند، تا اینکه درنهایت ثابت کنند به اندازه‌ی یک مرد بیمار هستند.

شگفت‌انگیز نیست که فاکتور نژاد نیز در دریافت معالجات پزشکی تأثیرگذار باشد. در درجه‌ی اول، مشکل میزان دسترسی به محیط‌های کلینیکی وجود دارد. جوامع انسانی با پوست روشن‌تر و با شرایط اقتصادی بهتر، دسترسی بیشتر و باکیفیت‌تری به معالجات پزشکی دارند. اما حتی در صورتی که افراد سیاه‌پوست نیز دسترسی یکسانی داشته باشند، احتمال اینکه درد این افراد کم‌تر مورد توجه قرار بگیرد بسیار بالا است. طبق تحقیقی که در سال ۲۰۱۶ توسط دانشگاه ویرجینیا انجام گرفت، مشخص شد که دانش‌آموختگان پزشکی باورهای مسخره، و حتی خطرناکی در مورد افراد سیاه‌پوست دارند؛ باورهایی مانند اینکه میزان حساسیت در انتهای سیستم عصبی محیطی (که مسئول درک محیط پیرامون و درد است) در افراد سیاه‌پوست نسبت به افراد سفید‌پوست کم‌تر است.

اما پژوهشگران در مرکز تحقیقاتی مؤسسه فرالین چطور می‌توانند مطمئن شوند که ماشین آن‌ها تبعیض‌های پزشکی انسان‌ها را یاد نمی‌گیرند؟

چیو می‌گوید این سؤال بسیار بسیار سختی است. در این مطالعه، مصاحبه‌کنندگان از زمینه‌ی بهداشت روانی افراد مصاحبه‌شونده یا معالجعات درمانی احتمالی آن‌ها خبر ندارند. همچنین تحلیل‌کننده‌های اطلاعات نیز به این اطلاعات دسترسی ندارند یا به عبارت دیگر نسبت به این داده‌ها کور بودند. در حقیقت چیو می‌گوید:

ما افراد گروه را تا جایی که می‌توانستیم نسبت به داده‌ها کور کردیم.

چیو حضور خود به‌عنوان یک زن را نیز در پیشبرد درست این تحقیق، مؤثر می‌داند. تیم تحقیقاتی گروه او، از پژوهشگران و دانشجویان با زمینه‌های علمی گوناگون تشکیل شده است. چیو به خوبی از شدت خطری که تحقیق او را تهدید می‌کند آگاه است. اگر روش‌های تشخیصی و درمان‌های شخصی‌شده که توسط الگوریتم‌های توسعه‌داده‌شده در آزمایشگاه او به داده‌های تبعیضی و جانبدارانه آلوده شوند، این داده‌ها به‌راحتی وارد سیستم می‌شوند و توسط الگوریتم‌ها به کدها تبدیل شده و احتمالا در این فرایند میزان تبعیض در آن‌ها تقویت می‌شود.

همچنین ابعاد فنی داده‌های الگوریتم یادگیری ماشین مانند داده‌های تصویری تحریک‌کننده که در اسکن‌های fMRI مورد استفاده قرار می‌گیرد نیز باید از نظر عاری بودن از تبعیض‌ها پایش شوند.

برنامه‌نویس آزمایشگاه تحت نظارت چیو یعنی جیکوب لی نیز در مورد چالش‌های پیش رو توضیح می‌دهد. او می‌گوید در فرایند برنامه‌نویسی باید موارد زیادی را در نظر گرفت که یکی از مهم‌ترین آن‌ها، بحث وجود تبعیض و جانبداری‌های انسانی است که روی کیفیت داده‌ها تاثیر می‌گذارد.

یکی دیگر از چالش‌های این مطالعه این است که فاصله‌ی زمانی بین وقوع اتفاقات مورد نظر در داخل دستگاه fMRI باید به دقت تعیین شود تا نتایج درستی از اسکن‌ها به دست بیاید. لی موضوع را این‌گونه توضیح می‌دهد که دستگاه هر دو ثانیه یک‌بار اسنپ‌شات‌هایی از مغز تهیه می‌کند. اما انتخاب پنجره‌ی زمانی درست برای به دست آوردن بهترین نتیجه، موضوع بسیار حیاتی است. برای اطمینان از اینکه پژوهشگران پاسخ مغز به محرک‌ها را ثبت می‌کنند، نه فعالیت‌های دیگر مغز را، باید اختلاف زمانی بین شروع تحریک و رسیدن خون به قسمت مورد نظر مغز، یعنی جایی که دستگاه fMRI از آن عکس‌برداری می‌کند، به دقت لحاظ شود. این اختلاف زمانی باعث محدودیت عکس‌برداری عصبی و وقوع وقفه‌ی چندثانیه‌ای بین اسکن‌ها می‌شود.

محرک‌ها نیز خود باید با دقت انتخاب شوند چرا که مردم با فرهنگ‌های مختلف نگاه و نگرش متفاوتی به رنگ‌ها و اعداد خاص دارند. داده‌های محرک در این تحقیق از عکس‌های موجود در پایگاه داده‌ی سیستم تصویری احساسی بین‌المللی انتخاب می‌شود. گفتنی است پژوهشگران در سراسر دنیا از سال ۲۰۰۵ برای اطمینان از هماهنگی نتایج تحقیقات روانپزشکی و عصب‌شناسی خود از داده‌های بصری استاندارد این سیستم استفاده می‌کنند.

تعداد اندک افراد شرکت‌کننده در مطالعه، برای مثال ده‌ها نفر، در مطالعات fMRI نیز ممکن است منجر به کسب نتایج اشتباه شود. به همین دلیل است که آزمایشگاه چیو در صدد است با به اشتراک گذاشتن داده‌ها، اندازه و گوناگونی افراد مورد مطالعه را گسترش دهد. آزمایشگاه عکس‌برداری عصبی ویرجینیا تک از زمان گشایش خود ۱۱ هزار ساعت عکس‌برداری انجام داده است. برای اطمینان از حفظ حریم خصوصی داده‌های عددی از افراد ذخیره‌سازی نمی‌شود. آزمایشگاه عکس‌برداری عصبی انسانی هم‌اکنون مشغول همکاری و اشتراک‌گذاری داده‌ها با دانشگاه کالج لندن، دانشگاه پکینگ در پکن و کالج پزشکی بیلور است. علاوه‌بر این، چیو و تیم او با پژوهشگران دانشگاه هاوایی نیز همکاری می‌کنند.

بااین‌حال یکی از موضوعات نگران‌کننده این است که اسکنرهای fMRI اغلب در کشورهای پیشرفته قرار دارند، جایی که اغلب جمعیت جهان به آن‌ها دسترسی ندارد. به همین دلیل توده‌های جمعیتی مورد مطالعه حول مراکز جمعیتی شهری و دانشجویی شکل گرفته است، به همین دلیل داده‌هایی که وارد الگوریتم‌های یادگیری ماشین می‌شود نمی‌توانند نماینده‌ی همه جمعیت جهان باشند.

روش عکس‌برداری fMRI مشکلات خاص خود را نیز دارد: برای مثال دانشمندان در این نوع عکس‌برداری در اصل به خود مغز نگاه نمی‌کنند. چیزی که بعد از عکس‌برداری دستگاه fMRI به دست می‌آید، درواقع یک تصویر نرم‌افزاری از مغز است که به واحد‌های کوچکی به اسم ووکسل‌ها تقسیم می‌شود. یک تیم تحقیقاتی به سرپرستی آندرس اکلوند در دانشگاه لینگوپینگ تصمیم گرفت تا سه بسته‌ی نرم‌افزاری آماری محبوب fMRI را با داده‌های انسانی مقایسه کند. این تیم تحقیقاتی کشف کرد که تفاوت موجود در نرم‌افزارها که باعث به دست آمدن نتایج اشتباه مثبت می‌شود، بیش از حد انتظار بوده است. یافته‌های این گروه تحقیقاتی که در ماه ژوئن سال ۲۰۱۶ در ژورنال پیشرفت‌های آکادمی ملی علوم ایالات متحده آمریکا به چاپ رسیده، باعث احتیاط بیشتر پژوهشگران در استفاده از این روش‌ عکس‌برداری مغزی شده است.

پژوهشگران ارزیابی اولیه این مقاله در مورد اینکه نتایج بیش از ۴۰ هزار مطالعه‌ی مبتنی بر fMRI نادرست بوده است را پس از ارزیابی مجدد به ۳۵۰۰ مورد تقلیل دادند. بااین‌حال عصب‌شناسان به این نتیجه نرسیده‌اند که عکس‌برداری fMRI یک ابزار غیرقابل اعتماد است، بلکه تنها به بهبود مستمر عملکرد نیاز دارد. در دسترس بودن و دقیق‌تر کردن اسکن‌های fMRI کلید استفاده‌ی کلینیکی از این تکنولوژی است.

آدام چکراد، دانشمندی که مطالعات او در حوزه‌ی روانپزشکی محاسباتی در ژورنال‌های معتبری مانند Lancet به چاپ رسیده است معتقد است:

تمام بهینه‌سازی‌های صورت‌گرفته در سخت‌افزارها برای ما بسیار بسیار گران‌بها است.

چکراد پیش از این مشغول مطالعه در مورد هوش ماشینی بوده و از الگوریتم‌ها برای پیش‌بینی دقیق اینکه کدام داروهای با بالاترین شانس موفقیت در بهبود شرایط بیمار دارد، استفاده کرده است. چکراد که بنیان‌گذار و دانشمند اصلی مؤسسه Spring Health، کلینیکی که سعی می‌کند تکنولوژی را وارد روند درمان بیماران کند، قویا معتقد است که کاربرد کلینیکی تکنولوژی‌های جدید از جمله یادگیری ماشین، مهم‌ترین چالش این حوزه است.

علاوه‌بر روش عکس‌برداری fMRI مشکل‌دار، روانپزشکی محاسباتی با چالش‌های اخلاقی، معنوی، عملی و تکنولوژیکی نیز مواجه است. یکی از این چالش‌ها، مسئله‌ی ذخیره‌ کردن حجم بالایی از اطلاعات کاملا شخصی برای استفاده در توسعه‌ی الگوریتم‌ها است که می‌تواند طعمه‌ی وسوسه‌انگیزی برای هکرها باشد. رضایت نیز مسئله‌ی دیگری است: آیا یک شخص افسرده، برای مثال، به اندازه‌ی کافی دارای ذهن روشن و شرایط روانی مناسبی است که بتواند با درنظرگرفتن تمامی شرایط اظهار موافقت کند؟ اگر ما مدل‌هایی برای اختلالات سلامت روانی توسعه دهیم، آیا درواقع مدلی برای نرمال بودن سلامت روان ایجاد نمی‌کنیم، مدلی که می‌تواند علاوه‌بر داشتن کارکرد مفید، نقش چماق را نیز بازی کند؟ اصلا چه کسی صلاحیت این را دارد که مفهوم نرمال بودن را تعریف کند؟

پاول هامفریز، استاد فلسفه در دانشگاه ویرجینیا مشغول مطالعه در مورد فلسفه‌ی علوم است. هامفریز نگرانی‌های شگفت‌انگیز دیگری را مطرح می‌کند: یادگیری ماشین مسئله‌ی جعبه سیاه (کنترل درستی خروجی یک نرم‌افزار) دیگری مشابه خود مغز ایجاد می‌کند. ما می‌توانیم با دادن داده‌های کافی به یک الگوریتم یادگیری ماشین به او یاد بدهیم که گربه را تشخیص دهد، بااین‌حال به‌طور کامل نمی‌توانیم تعیین کنیم که این الگوریتم چگونه تصمیم می‌گیرد که یک گربه چیست. این موضوع می‌تواند زمینه‌ی سو‌تفاهم را در بین دانشمندان و نتایج مطالعات یادگیری ماشین آن‌ها ایجاد کند، چرا که دانشمندان تنها برداشتی جزئی از چیزی که مدل‌ توسعه‌داده‌شده‌ی آن‌ها بیان می‌کند دارند. آیا ما می‌توانیم مطمئن باشیم که تعریف یادگیری ماشین از اختلال روانی به تعریف ما نزدیک است؟

چیزی که بیشتر باعث پیچیده‌تر شدن موضوع می‌شود، مسئله‌ی نبود داده‌های صحت‌سنجی انسانی است، یعنی یک سری‌ داده‌های قابل اطمینان که بتواند درستی نتایج یادگیری ماشین را سنجش کند.

استیون هایمن می‌گوید:

شما حداقل به یک فرایند اعتبارسنجی معتبر و کاملا مستقل نیاز دارید.

استیون هایمن، مدیر مؤسسه ملی سلامت روان آمریکا بین سال‌های ۱۹۹۶ تا ۲۰۰۱ بود که در زمان مدیریت خود برای وارد کردن علوم عصب‌شناسی و ژنتیک به علم روانپزشکی تلاش کرد. هایمن هم‌اکنون مدیر مرکز استنلی برای تحقیقات روان‌پزشکی در broad institute است.

یافته‌های یک الگوریتم یادگیری ماشین را، که برای مثال سرطان پوست را تشخیص می‌دهد، می‌توان با یک دسته اطلاعات مبتنی بر بایوپسی (بافت‌برداری و آزمایش میکروسکوپی) طبقه‌بندی‌شده مقایسه کرد تا مطمئن شد که تشخیص الگوریتم در بدخیم بودن سرطان درست است یا نه. اما در روانپزشکی هیچ‌گونه بایوپسی برای اختلالات روانی، حداقل تاکنون، وجود ندارد. هایمن می‌گوید:

و شما شگفت‌زده می‌شوید وقتی می‌بینید که افراد چقدر این موضوع را فراموش می‌کنند.

آینده‌ی روانپزشکی محاسباتی چالش‌های خاص خود را دارد، چالش‌هایی که اکنون ما را شگفت‌زده می‌کند اما ممکن است در آینده تهدید‌آمیز باشد. اگر روش عکس‌برداری مغزی غیرتاخیری که اکنون پژوهشگران در حال توسعه و بهبود آن هستند، در آینده به‌صورت ارزان و آسان در دسترس باشد و برای الگوها و سناریوهای خاصی به اندازه‌ی کافی دقیق باشد، پس بی‌راه نیست دنیایی را تصور کنیم که اساسا در آن می‌توان افکار را پایش کرد، نوعی از تکنولوژی که مستعد سواستفاده است.

شاید نگران‌کننده‌ترین توانایی بالقوه‌ی روانپزشکی محاسباتی پیوستن آن به فهرست بدنام و دراز علومی است که باعث می‌شود مردم از برخی مفاهیم اساسی محروم شوند. اگر ما به احساسات انسانی عدد و علائم بیوفیزیکی اختصاص دهیم، پس روح انسان چه می‌شود؟ چه چیزی باعث می‌شود ما به‌جای یک مدل ارگانیک پیچیده، یک انسان باشیم؟

چاندرا سریپادا، دانشیار فلسفه و روانپزشکی در دانشگاه میشیگان می‌گوید:

ما می‌بینیم که هیچ روحی در ماشین وجود ندارد. فقط یه ماشین است.

سریپادا معتقد است که این نگرانی بی‌اساس است. این نوع نگرانی در شاخه‌های دیگر و قدیمی‌تر روانپزشکی مانند رفتاردرمانی B. F. Skinner نیز وجود داشته است. سریپادا ادامه می‌دهد:

در هر نظریه جامع روانپزشکی این نگرانی وجود دارد که بُعد روحی انسان کنار گذاشته می‌شود. مردم همواره نگرانند که آن بعد مرموز از کسی که هستند برای همیشه از توضیح در امان باشد.

درحالی‌که مدل‌های محاسباتی این توانایی بالقوه را دارند که در تشخیص و معالجعه‌ی اختلالات روانی مؤثر باشند، اما دانشمندان از لحاظ درنظرگرفتن هر دو جنبه‌ی قضیه تحت فشار خواهند بود. هرچه که باشد روانپزشکان با انسان‌ها سروکار دارند و نمی‌خواهند تجربیات خود بیماران را نادیده بگیرند. مردم می‌خواهند مانند یک انسان با آن‌ها رفتار شود. فاکتورهای اجتماعی و محیط‌زیست آن‌ها در تشخیص و درمان اختلالات مهم است. چشم‌پوشی از این فاکتورها واین طرز تفکر که این فاکتورها برای معالجعه مهم نیستند بسیار خطرناک است.

هامفریز در این مورد می‌گوید:

چیزی که شما آن‌ را روح می‌نامید، بخش غیرقابل ‌چشم‌پوشی از روند درمان افراد است.

درک اینکه یک اختلال سلامت روان دقیقا چیست نیز به طرز شگفت‌انگیزی دشوار است. آن‌طور که گری گرینبرگ، از روانپزشکان تنظیم‌کننده‌ی راهنمای تشخیصی و آماری اختلال‌های روانی می‌گوید، عبارت اختلال برای پرهیز از به کار بردن کلمه‌ی بیماری استفاده می‌شود، که نشانگر عدم وجود درک فیوزولیژیکی کافی از دلیل بروز این نوع مشکلات است.

تام اینسل، هم‌بنیان‌گذار مؤسسه‌ی Mindstrong Health و مدیر مؤسسه ملی سلامت روان آمریکا از سال ۲۰۰۲ تا ۲۰۱۵ می‌گوید:

روش تشخیص اختلالات روانی که ما امروزه استفاده می‌کنیم، محدودیت‌های زیادی دارد. درواقع این کار کمی شبیه تشخیص بیماری قلبی بدون استفاده از ابزارهای نوین مانند نوار قلب، اسکن‌های قلبی عروقی و آزمایش خون است.

دانشمندان امیدوارند که روانپزشکی محاسباتی بتواند معادل این ابزارها را برای تشخیص و معالجعه‌ی اختلالات روانی فراهم کند. درک فعلی ما از دلیل بروز اختلالات سلامت روان بسیار مبهم است. باور عموم این است که نوعی از عدم تعادل شیمیایی در بدن در بروز این اختلالات به‌خصوص افسردگی نقش دارد. اما اکنون باور بیشتر افراد این است که مغز انسان مانند چندین مدار الکتریکی پیچیده است، هر گاه در بخشی از این مدارها مشکلی پیش آید، یک نوع اختلال سلامت روان به وجود می‌آید.

آن‌طور که اینسل می‌گوید، یکی از مشکلات روانپزشکی، عدم وجود نشانه‌های بیوفیزیکی اختلالات روانی است. جمع‌آوری دقیق اطلاعات خوداظهاری از بیماران باعث به‌وجود آمدن یک طبقه‌بندی از اختلالات گوناگون شده است که به اعتقاد اینسل یکی از حوزه‌هایی است که روانپزشکی در آن موفق عمل کرده است. اما بدون تشخیص دلایل فیزیولوژی عصبی، به نظر می‌رسد روانپزشکی یک علم کامل نیست. اینسل می‌گوید:

این طبقه‌بندی لازم است، اما کافی نیست.

مدیر فعلی مؤسسه ملی سلامت روان آمریکا، جاشوآ گوردون با این سخن موافق است. حرکت این مؤسسه به سوی ملاک‌های تشخیصی واقعی‌تر در حوزه‌ی روانپزشکی در زمان مدیریت استیون هایمن بین سال‌های ۱۹۹۶ و ۲۰۰۱ شروع شد که بعدا توسط اینسل به پیش برده شد و اکنون گوردون سعی دارد با تزریق منابع مالی به تحقیقات، این هدف را پیگیری می‌کند تا بتوان براساس اطلاعات واقعی و محکم روش‌های تشخیص اختلالات سلامت روان را بهبود داد و روش‌های معالجعه‌ی مناسب‌تری برای بیماران فراهم کرد. گوردون معتقد است که باور برخی در مورد سوق دادن پزشکان توسط راهنمای تشخیصی و آماری اختلال‌های روانی به سوی تجویز بیشتر دارو نادرست است. بهترین کار استفاده از موثرترین روش ممکن است.

گوردون می‌گوید:

ما باید این موضوع را به رسمیت بشناسیم که در علم روانپزشکی، روش‌های تشخیص فعلی ما بهرحال کاملا رضایت‌بخش نیستند.

چیزی که بیشتر باعث پیچیده‌تر شدن موضوع می‌شود، گوناگونی اختلالات سلامت روان است. در مغز افرادی که مبتلا به افسردگی هستند، گمان می‌رود که نوعی ترکیب شیمیایی مشترک است؛ اما گرینبرگ می‌گوید همه‌ی این افراد از نظر معیارهای راهنمای تشخیصی و آماری اختلال‌های روانی، افسرده به شمار نمی‌آیند. همچنین نکته‌ی دیگر این است که بسیاری از اختلالات روانی شامل یک طیف می‌شوند. برای مثال طبق تشخیص روانپزشک، من مبتلا به اختلال شخصیت مرزی به همراه کمی اختلال دوقطبی هستم، یعنی هیچ مرز مشخصی بین اختلالات روانی وجود ندارد. گرینبرگ اضافه می‌کند باتوجه‌به اینکه طبقه‌بندی این اختلالات بدون وجود پایه‌ی فیزیولوژیکی انجام گرفته است، برای تأیید مدل راهنمای تشخیصی و آماری اختلال‌های روانی باید رابطه‌ی تک‌تک بین اختلالات روانی در افراد مختلف که خود را به شکل‌های مختلفی نشان می‌دهند و همگی از یک مشکل در مغز نشات می‌گیرند را کشف کرد. اما گرینبرگ می‌گوید: «انجام این کار دشوار به شانس زیادی نیاز دارد.»

اما در مورد شرایط محیطی چطور؟ برخی از اختلالات روانی ممکن است در اثر اتفاقات بیرونی ایجاد شوند، اتفاقاتی مانند مرگ، جداشدن از زوج، تغییر در وضعیت مالی، استرس و تغییر بزرگ در زندگی. البته تاثیر این موارد بر روان افراد ممکن است در اثر گذر زمان و انجام اقداماتی کاهش یابد. اینسل در این مورد معتقد است:

اختلالی مانند افسردگی در حقیقت ناشی از بیماری‌های خیلی خیلی زیادی است. افسردگی مثل تب است. در اثر بیماری‌های زیادی می‌توان دچار تب شد. به همین ترتیب دلایل زیادی وجود دارند که می‌توانند به بروز یک اختلال روانی قابل‌توجه منجر شوند. ما کاری که امروزه انجام می‌دهیم، از اندازه‌گیری دمای بدن شخص و گفتن اینکه «خب تو تب داری و باید کاری کنیم که دمای بدن تو پایین بیاید» فراتر نمی‌رویم و فقط داروهای ضدفسردگی تجویز می‌کنیم.

چیزی که ما الان پیش رو داریم، یک مدل نیست. وایتنی الن، هماهنگ‌کننده‌ی تحقیق جای مرا در داخل دستگاه نه چندان بی سروصدا گرفته است. او به خاطر تصویربرداری از دو سناریوی مختلف در داخل دستگاه دراز کشیده است. در یکی از این سناریوها او تصور می‌کند که با ۵۰ دلاری که به او داده شده، برای شام خود استیک سفارش داده است. او در حال تصور خوردن گوشت، چشیدن مزه‌ی آن و احساس کردن آن در داخل دهان، بین دندان‌ها و روی زبان و لثه‌های خود است. در سناریوی دوم او تصور می‌کند که یک سال بعد با ۱۰۰ دلاری که به او داده شده، یک جفت کفش خریده است. او تصور می‌کند که پدرش جعبه‌ی کفش را به او می‌دهد و الان می‌تواند وزن جعبه را روی دستانش احساس کند. این افکار متمرکزشده‌ی او درواقع باعث حرکت دادن یک وسیله در دستگاه MRI می‌شود، یک اسلایدر. او می‌تواند حرکت اسلایدر را از آینه ببیند، همان آینه‌ای که من هم از آن استفاده کردم. از این طریق او می‌تواند ببیند که آیا به اندازه‌ی کافی با تمرکز در مورد زمان آینده یا حال فکر می‌کند یا نه. در پشت شیشه و روی یک صفحه‌نمایش رایانه، طوفانی از ووکسل‌های آبی و قرمز رنگ روشن می‌شوند. درواقع در طول یک بازه‌ی زمانی کوتاه، هر دو ثانیه یک‌بار، درپوش جعبه‌ی سیاه داخل جمجمه‌ی ما اندکی باز می‌شود.

از الن خواسته شده تا افکار خود را روی آینده یا زمان حال متمرکز کند تا به این ترتیب پژوهشگران دریابند که هنگام فکر کردن به لذت‌های آنی و تاخیری در زیر کاپوت سر ما چه می‌گذرد. این اطلاعات می‌تواند به معالجه‌ی افرادی که به نظر می‌رسد نمی‌توانند دست از لذت‌های آنی بردارند، مانند معتادان، مفید باشد. آزمایگشاه دکتر استفان لاکونته با همکاری مرکز تحقیقات بازتوانی اعتیاد در طبقه‌ی سوم مؤسسه فرالین در صدد است با استفاده از اسکن‌های fMRI غیرتاخیری فیدبک‌های عصبی مغز افراد تحت مطالعه را ثبت کند.

هارشاآدهان دشپانده، دانشجوی دکترای مهندسی بیوپزشکی که در آزمایشگا لاکونته کار می‌کند، هدف این مطالعه را برای من توضیح می‌دهد. اگر افراد دارای اعتیاد دارای پنجره زمانی کوتاه باشند، ممکن است بتوان به آن‌ها کمک کرد تا بهتر بتوانند به‌صورت بلندمدت فکر کنند. فیدبک‌های عصبی به‌دست‌آمده از اسکن‌های مغزی می‌تواند به افراد کمک کنند تا دریابند که تا چه اندازه در طولانی‌کردن این پنجره‌ی زمانی موفق بوده‌اند. گفتنی است افراد دارای پنجره‌ی زمانی کوتاه نمی‌توانند به خوبی خود در آینده تصور کنند و عواقب اقدامات خود را درک کنند. دشپانده می‌گوید:

در آینده‌ای نزدیک، ما می‌توانیم به شرکت‌کنندگان در مطالعه کمک کنیم تا توانایی فکر کردن در مورد آینده را دوباره به دست آورند.

علاوه‌بر مطالعه روی اعتیاد، آزمایشگاه لاکونته مشغول همکاری با زکری ایروینگ، استاد فلسفه‌ی دانشگاه ویرجینیا است، شخصی که کار علمی خود را بر موضوع فلسفه‌ی علوم شاختی قرار داده است. ایروینگ و لاکونته با استفاده از اسکن‌های غیرتاخیری fMRI درصدد هستند دریابند که ذهن یک شخص چه زمانی و از چه راهی از موضوع منحرف می‌شود. آن‌ها امیدوارند با استفاده‌ از طبقه‌بندی‌های صورت‌گرفته در علم انسان‌شناسی و با استفاده از اسکن‌های fMRI، بیش از از ابزارهای حال حاضر، نحوی‌ تفکر افراد در مورد تجربه‌های خودشان را درک کنند.

ایروینگ می‌گوید:

هدف ما این است تا الگوریتمی داشته باشیم که به‌صورت لحظه‌ای، تنها با نگاه کردن به فعالیت عصبی شما بتواند تشخیص دهد که آیا ذهن شما از موضوع اصلی منحرف می‌شود یا نه.

این توانایی می‌تواند کاربردهای زیادی از جمله در آموزش داشته باشد. اگر معلم متوجه شود که یک دانش‌آموز به‌ظاهر متمرکز در حال رویاپردازی است، رویایی که می‌تواند مفید یا فقط افکار منفی باشد، می‌تواند بسته به شرایط به او اجازه‌ی رویاپردازی دهد یا اینکه برای پایان دادن به آن اقدام کند. البته این سیستم نیز می‌تواند بستری برای سوءاستفاده باشد. یک کارمند مایل است بداند که چه میزان از وقت کاری را با رویاپردازی می‌گذارند.

لاکونتو یکی از افراد پیش‌گام در حوزه‌ی تکنولوژی fMRI غیرتاخیری است، درواقع او مخترع تکنولوژی fMRI غیرتاخیری بر پایه‌ی یادگیری ماشین است. لاکونتو ظاهری متناسب با نقش خود دارد، ریش‌ قهوه‌ای، وایت‌بردی پر از فرمول‌های ریاضی و صفحه‌نمایش‌های متعدد که در حال چشمک زدن در دفتر کار او هستند. لاکونتو اولین‌بار از یادگیری ماشین در مقطع‌ کارشناسی ارشد در دانشگاه مینیسوتا استفاده کرد. او از این ابزار برای مطالعه‌ی آن نواحی از مغز که هنگام فشار دادن یک حسگر فعال می‌شوند استفاده کرد. اما اکنون لاکونته از تکنیک یادگیری ماشین، نه برای مطالعه‌ی نواحی مغز به‌صورت منفرد، بلکه برای مطالعه‌ی کارکرد کلی آن استفاده می‌کند.

لاکونته می‌گوید:

یکی از نقاط قوت یادگیری ماشین این است که شما می‌توانید اعتبارسنجی متقابل انجام دهید. شما می‌توانید یک مدل را بر مبنای یک بخش از داده‌های خود آموزش دهید و سپس دقت و عمومیت آن را روی یک دسته داده‌ی مستقل که مدل پیش از این آن را ندیده است، ارزیابی کنید.

یادگیری ماشین نقش اساسی در تحقیق fMRI غیرتاخیری لاکونته ایفا می‌کند؛ بدون الگوریتم‌ها نمی‌توان فیدبک عصبی دریافت کرد. لاکونته معتقد است با استفاده از یادگیری ماشین پژوهشگران می‌توانند پا را از آزمایش‌های رفتارشناسی فراتر نهند و با نگاه به عملکرد خود مغز مطالعات را به پیش ببرند. اگر افراد دارای اعتیاد دریابند که کدام روش تفکر باعث می‌شود اسلایدر موجود در دستگاه بیش‌ازپیش به سوی علامت آینده حرکت کند، در آن صورت می‌‌توانند تلاش کنند تا بیشتر به آن شیوه فکر کنند و در نتیجه پنجره‌ی زمانی مغز خود را طولانی‌تر کنند و شاید از شدت اعتیاد خود کم کنند.

لاکونته در این مورد توضیح می‌دهد:

کل ایده‌ی ما این است که شما می‌توانید با انجام آزمایش‌های حلقه‌بسته دقیقا تشخیص دهید که در داخل مغز چه اتفاقی در حال روی دادن است. به این ترتیب از این روش می‌توان برای توان‌بخشی و درمان افراد کمک کرد.

روانپزشکی و دخالت پزشکی در اختلالات روانی را مانند یک استودیو رقص تصور کنید: وجود دیوارهای پوشیده از آینه چقدر می‌تواند به بهبود رقص شما کمک کند؟ روی دیگر توان‌بخشی، بهبود عملکرد است. لاکونته امیدوار است تحقیقات او روزی به ما کمک کند تا به مغزمان آموزش دهیم که بهتر کار کند. درست مانند روش‌های مدیتیشن که راهبان بودایی برای افزایش تمرکز و راندمان خود استفاده می‌کنند، روشی که ثابت شده است می‌تواند سیم‌کشی مغز را تغییر دهد.

آزمایشگاه لاکونته به موضوعاتی که مقاله‌ی اکلوند در مورد عدم دقت نرم‌افزارهای fMRI مطرح کرده بود توجهی نمی‌کند. روشی که آزمایشگاه او در پیش گرفته این است که از مغز پرسیده می‌شود هنگام انجام یک کار مشخص توسط شخص مشغول انجام چه کاری است، درحالی‌که کل مغز، نه تک‌تک نواحی آن به‌صورت منفرد، در نظر گرفته می‌شود. این روش باعث به وجود آمدن یک پاسخ می‌شود که می‌تواند مثبت یا منفی باشد. آیا مغز مشغول انجام آن وظیفه است یا نه؟ با استفاده از روش نگاه کلی به مغز، آزمایشگاه لاکونته از برخی از پیچیدگی‌هایی که ممکن است هنگام مطالعه‌ی نواحی مغز به‌صورت جداگانه پیش بیاید پرهیز می‌کند. روش مطالعه‌ی نواحی مغز به‌صورت جداگانه باعث تولید پاسخ‌های متعددی می‌شود، به‌گفته‌ی لاکونته ده‌ها هزار پاسخ که هر قسمت درگیر با انجام آن وظیفه تولید می‌کند. در نتیجه احتمالات مختلفی در مورد درستی یا عدم درستی به وجود می‌آید.

اما آزمایشگاه لاکونته علاوه‌بر انجام مطالعات در زمینه‌ی اعتیاد، منحصرا روی موضوعات اساسی دیگری نیز تمرکز کرده که ثابت می‌کند روش اسکن fMRI مبتنی بر یادگیری ماشین ممکن است تا دهه‌های آینده کاربرد چندانی پیدا نکند.

هنگامی که نور آفتاب بعدازظهر از پنجره وارد محوطه‌ی آزمایشگاه می‌شود و دیوارهای پوشیده از رابطه‌های ریاضی را روشن می‌کند، چیو و کینگ-کیسس به نوبت فرزند تازه متولدشده‌ی خود را در آغوش خود آرام می‌کنند و در مورد آینده‌ی روانپزشکی که فزرند آن‌ها در آن بزرگ خواهد شد، بحث می‌کنند. آینده‌ای با مدل‌های تشخیصی مبتنی بر الگوریتم‌ (خب، طبق مدل شما دچار افسردگی هستید که خود را در ناحیه‌ی ایکس مغز نشان می‌دهد و علائم ایگرگ را دارد)، درمان‌های هدفمند (برای درمان اختلال ایکس با علائم ایگرگ ما متوجه شده‌ایم که در اکثر مواقع این دارو و این روش درمانی بیشتر جواب می‌دهد) و روش‌های تمرین مغزی براساس نتایج اسکن‌های غیرتاخیری fMRI که علم روانپزشکی را بیش‌ازپیش به سوی یک علم پیشگیری‌کننده سوق می‌دهد.

آن‌ها در مورد دنیایی حرف می‌زنند که در آن روانپزشکی، یک علم پزشکی فیزیکی است.

کینگ کیسس پیش‌بینی می‌کند که حداقل پنج تا ۱۰ سال سرمایه‌گذاری از سوی مؤسسه ملی بهداشت روان آمریکا نیاز است تا مطالعات کلینیک‌هایی مانند کاریلیون و دیگران به بار بنشیند. او می‌گوید:

فکر می‌کنم این ایده‌ای است که زمان عملیاتی کردن آن فرا رسیده است.

اما چیو در مورد آینده معتقد است:

من نمی‌گویم ده‌ها سال. شاید چند سال. اما باید اول ببینیم که نتایج آزمایش‌های ما چگونه خوهد بود.

چیو و کینگ کیسس با نگاه مثبت به رویکرد استفاده از ابزارهای جدید در روانپزشکی نگاه می‌کنند. پیتر فوناگی، استاد دانشگاه کالج لندن و از همکاران چیو پیش‌بینی می‌کند که یک دهه یا حتی بیشتر طول بکشد تا تغییر بزرگی در روانپزشکی ایجاد شود. اما با وجود این اختلاف نظر، همه‌ی پژوهشگران معتقدند که حوزه‌ی جدید روانپزشکی محاسباتی ظرفیت‌های زیادی دارد، درحالی‌که ظاهرا متود‌های فعلی روانپزشکی به بن‌بست رسیده است.

در روانپزشکی، تکه‌ها و استخوان‌های روش‌هایی که قرار بود این علم را نجات دهد پیدا می‌شود. برخی از آن‌ها به‌طور کامل منقرض شده‌اند، مانند روان‌کاوی، و برخی از آن‌ها در حال تقلا برای زنده ماندن هستند، مانند ژنتیک و شیمی‌عصبی.

گوردون، مدیر مؤسسه ملی بهداشت روان آمریکا می‌گوید:

من فکر می‌کنم توجه به این موضوع مهم است که روش‌های محاسباتی و تئوریک قرار نیست روانپزشکی را نجات دهند. این روش‌ها تنها ابزارهایی هستند، ابزارهایی هیجان‌انگیز، که امیدواریم به بیماران کمک کنند.

قبل از اینکه من خداحافظی کنم از آن‌ها می‌پرسم که آیا مطالعه‌ی آن‌ها، ‌در صورتی که کامل و موفقیت‌آمیز می‌بود، می‌توانست به تشخیص زودتر اختلال شخصیت مرزی من کمک کند و در نتیجه درمان آن زودتر شروع شود تا اطرافیان من آسیب کم‌تری می‌دیدند.

آن‌ها معتقدند که این کار می‌توانست انجام گیرد.

کم‌تر از یک سال قبل از بازدید من از مؤسسه تحقیقاتی کاریلیون و مؤسسه تحقیقاتی بیوپزشکی فرالین وابسته به دانشگاه ایالتی و مؤسسه پلی‌تکنیک ویرجینیا‌ تک، روانپزشک جدید من گفت که شاید من اختلال شخصیت دوقطبی نداشته باشم، که شاید همه‌ی این علائم و رفتارها، مانند احساس پر بودن سینه‌، احساس مبهم بیچارگی، شنیدن صداهایی مانند روشن بودن تلویزیون در اتاق بغلی، اتاقی که هیچ‌وقت وجود ندارد؛ توهمات شنوایی مانند شنیدن صدایی شبیه صدای بازی‌های آتاری قدیمی، احساس یقینی که من یکی از بهترین نویسنده‌های غیرتخیلی دنیا هستم، احساس یقینی که بین بدترین آن‌ها هستم، حملات کلامی من در قالب جمله‌های مسلسل‌وار و منقطع که مانند نئون می‌سوزد و آسمان شب را روشن می‌کند، جملاتی که ارزش بالای خودم را بیان می‌کنم و عزت‌نفسم را می‌ستایم؛ لحظاتی که در یک گوشه ناله می‌کنم تا اینکه در تاریکی کامل فرو بروم، نیازهای خردکننده‌ای که تا مغز‌ استخوان اطرافیانم را می‌مکد، حملات پارانویا و پنیک من، سلسله پیام‌های کوتاه غیرقابل‌کنترل من، وراجی‌های من در خلوت خودم یا در محیط‌های عمومی مانند خیابان یا باشگاه‌ها؛ نشان‌گر چیز دیگری باشد، یک الگوی تشخیصی پنهان‌شده در پس سایه‌ی علائم شدیدتر اختلال روانی من.

من قبل از اینکه روانپزشک تشخیص دهد دچار اختلال شخصیت مرزی هستم، در روابط اجتماعی و شخصی خودم دچار مشکل اساسی بودم. مشکلاتی که خود را به‌صورت کوبیدن و خرد کردن گوشی‌های تلفن، دشمن‌تراشی و کنترل شدن رفتارهایم توسط حسادت و عصبانیت نشان می‌دادند. انگار که من در حوزه‌ی پارانویای خودم عمل می‌کردم و احساساتم غیرقابل‌تشخیص و آزاردهنده بودند. اما بعد از تشخیص می‌توانستم چشم‌انداز معالجه و بهبودی را پیش روی خودم ببینم. جلسات رفتاردرمانی که در آن‌ها شرکت می‌کنم تاثیر مثبتی روی من می‌گذارد. همین‌طور داروهای لاموتریژین به من کمک می‌کند تا احساسات مناسب‌تر و نواسات خلقی کم‌تری داشته باشم. درنهایت به نظر می‌رسد که بادها با شدت کمی می‌وزند اما خسارت‌ها پیش از این وارد شده‌اند.

با اینکه من به شکل قابل‌توجهی حال بهتری دارم اما هنوز تا درمان کامل راه درازی پیش رویم است. من اکنون متوجه این موضوع شده‌ام که چقدر در گذشته انسان مخربی بوده‌ام، و هم‌اکنون نیز می‌توانم باشم. فاصله‌ای که از گذشته‌ام گرفته‌ام به من کمک می‌کند تا چشم‌انداز بهتری از آینده داشته باشم. همچنین خرابی‌های که در گذشته به بار آورده‌ام، دیگر مثل سابق مرا اذیت نمی‌کند.

سال‌ها طول کشید تا دوباره من به داروها اعتماد کنم. من پیش از این در دوارن دانشگاه داروهای بازدارنده‌های بازجذب سروتونین مانند سرترالین مصرف می‌کردم که با اینکه مرا از افسردگی عمیق نجات داد، یا حداقل فکر می‌کنم تاثیر داروها این طور بود، اما در ابتدا تاثیر نه چندان ملایمی روی مغزم گذاشت. عصر بعد از اولین روزی که دارو را مصرف کردم، ناگهان با احساس بدی از خواب بیدار شدم و خودم را سینه‌خیر به در اتاق تاریک خوابگاه رساندم. من در طول روز با حالتی خواب‌آلود قدم می‌زدم و به سختی خودم را پیش چشم دانشجوهای نگران با کمک نرده‌های پله‌ها به طبقه‌ی دوم می‌کشاندم، درحالی‌که نمی‌توانستم یک جمله را به‌طور کامل به زبان بیاورم. حتی بعد از اینکه دوز داروی من نصف شد، باز هم رویاها و لرزش‌های وحشتناکی داشتم. دستان من طوری می‌لرزید که هرچه در دستم می‌گرفتم، تبدیل به آلت موسیقی ضربه‌ای می‌شد. این لرزش‌ها تا به امروز نیز ادامه دارد، اما شاید دلیل اینکه چرا این لرزش‌ها اتفاق می‌افتند در مقایسه با اینکه چرا همیشه اتفاق می‌افتند برای من کم‌تر از گذشته اهمیت دارد.

شاید بتوان شدت همه‌ی این آسیب‌های ثانویه‌ی روانی را کم کرد، شاید روزی بتوان جلوی آن را گرفت.