1958年的一个清晨，东京大学数学系副教授谷山丰被发现自杀于自己的房间中，时年31岁。在短暂的生命中，谷山丰为后人留下了著名的谷山－志村猜想——一把解开困扰数学界300多年难题的钥匙。
一位才华横溢的年轻人以这样的方式离开这个世界，实在让人惋惜。而更让人唏嘘的，是他留在桌子上的遗嘱：
“……直到昨天，我都还没有明确的自杀意图。但是想必有不少人已经注意到，最近一段时间，我无论是身体上还是精神上，都十分疲惫。说到我自杀的原因，其实我自己都不了解，但绝非由于某件特定事件，或某个特别的原因。只能说，我被困于对未来的绝望之中……”

生命不能承受之痛

自杀，是一个不容忽视的公共健康问题。根据世界卫生组织统计，在全球，每年有80万人以这种方式结束自己的生命，在这个数字背后，是10－15倍的人自杀未遂。而在总计3.4亿抑郁症患者中，有2/3的患者曾有过自杀念头，因抑郁而自杀成为年轻人的第二大死亡原因^[1]。

为了引起公众对自杀的关注，9月10日被世界卫生组织定为“世界预防自杀日”，提醒人们关注身边有自杀心理的病人。自杀是可以预防的，及时的介入和干预是减少悲剧的关键，通过心理咨询和药物治疗，可以帮助很多病人打消这种念头。

9月10日是世界预防自杀日。图片来源：123rf.com.cn正版图库

然而如何评估自杀风险至今仍是心理健康临床医生面临的最大挑战之一^[2]。由于自杀是一种极其强烈的个人行为，具有自杀想法的病人常常掩盖其自身意图，与之朝夕相处的亲友也难以察觉；近80%的自杀者在最后一次与相关医生接触时否认有自杀的想法^[3]；以问卷等自我报告的形式来寻找有自杀倾向的人更是困难重重，即使是临床医生，对自杀风险的预测也一直不甚理想。找到一种客观的方法和指标来提前发现自杀倾向并及时干预，成为了人们迫切的需要。

试试机器学习？

为了更好地预测自杀，研究人员们开始希望能借助机器学习分析相关人群的数据以发掘有用的信息。

在之前的研究中，范德堡大学医学中心的数据科学家已经进行了相关的尝试^[4]。他们使用超过5000名有自残或自杀倾向病人的住院数据对机器学习模型进行训练，用以区分有自杀倾向和有自残行为但无自杀想法的两类人；同时还开发了一个算法，用以预测其自杀倾向。试验表明，机器学习算法在这两个任务上的表现都比医生的预测还要精准。

最近，来自卡内基梅隆大学的Marcel Just、David Brent和同事们^[5]提出了一种新的方法。

认知神经科学的相关研究发现，抑郁症患者和正常人的大脑不论在生理上还是功能上都有所差异，所以通过探寻有自杀倾向的人大脑皮层的变化，也许可以找到相关生物学标记。而Marcel等人的研究也正是基于两者大脑皮层的差异。

人们在看到不同单词时，大脑中会产生相应的神经信号，这种信号可以通过功能性核磁共振图像（fMRI）检测出来^[6]，而自杀人群对外界刺激表现十分敏感，所以研究人员们猜想，正常人和抑郁症患者在看到相同单词（概念）时，二者的fMRI图像会有所差异。通过这种方法，也许我们就能更好地将有自杀倾向的人检测出来。

核磁共振实验。图片来源：123rf.com.cn正版图库

自杀意识与脑区活动有什么关系

Marcel和同事们选取了17名有自杀倾向的人和17名正常人分别作为实验组和对照组，并向他们展示了自杀、积极和消极3大类共计30个单词，同时拍摄他们看到这些单词时大脑的活动状态。

刺激大脑的30个单词（概念）。图片来源：参考文献[5]；汉化：半个书生

通过分析这些fMRI图像，研究人员们发现，当看到“死亡”、“残忍”、“麻烦”、“无忧无虑”、“良好”和“赞美”这六个单词时，两组被试的神经活动应答以及五个脑区（如下图所示）的神经活动有明显差异，这些区域最能区分想自杀的病人和对照组个体。

左图为有自杀念头的人和健康人激活的脑区，白圈所示为有区分性的脑区；右图为对潜在自杀者和正常人有区分性的脑区，分别是左上额内侧额叶、内侧额叶/前扣带、右中间颞叶区、左顶叶区和左额区。图片来源：参考文献[5]；汉化：半个书生

如何用机器学习识别？

为了能更好地自动识别潜在自杀人群，Marcel等人使用高斯朴素贝叶斯分类器(GNB)在上述五个脑区的数据上训练算法区分这两类人群。这个算法准确地鉴定出17位自杀组病人中的15位，以及17位对照组健康个体中的16位，正确率达到了85%；之后他们又使用了另外21个有自杀企图的人的数据，将它与17个正常人的数据混合，来测试算法的性能，结果表明，该算法在这个38个人的数据集上可以达到87%的精度——这说明模型有较好的普适性。

GNB对两组人群的分类效果示意图。红色表示实验组，蓝色表示对照组，分类错误人群以实心圆点表示。通过降维方法将6个单词激活的5个脑区的数据在二维空间中加以表示。图片来源：参考文献[5]

为了研究有自杀想法的人的病情发展程度，有自杀倾向的17个人又被为两个小组：曾尝试过自杀（9位）和未尝试过自杀（8位）。Marcel和同事们使用“死亡”、“死气沉沉”和“无忧无虑”这三个单词所对应的脑区图像数据训练了一个新的算法以区分这两类人群，新算法准确鉴定出了其中16位的情况，仅有1位未被鉴定出来（如下图）。作者将该模型在另外的21名有自杀倾向的人的数据集上进行实验，正确率也达到了61%。

曾尝试过自杀（红色）和未尝试过自杀（绿色）的两组分类结果。三个单词激活的三个脑区的数据通过降维的方法在二维空间中表示。图片来源：参考文献[5]

通过这项研究，Marcel等人找到了正常人和有自杀倾向的人之间的一些生物学的客观的指标，并且可以利用机器学习区分这两类人。

同时我们也能发现，自杀的意念和尝试可以改变一个人对“死亡”、“自杀”以及其他积极或消极的概念的思考方式，这说明在有自杀倾向的人的眼中，生命里什么是重要的、什么是好的等价值观念也许已经改变。已有研究表明，对未来绝望或者悲观与自杀行为有着很紧密的联系^[7]，而这项研究更客观地观察到了人脑中的认知变化，也许正是因为这种变化，才让他们选择以自杀的方式结束生命。

虽然实验所采用的样本数量较少，但这项研究可能确实说明了精神疾病与神经活动的联系，我们也希望将来能找到更多的与精神疾病相关的概念或脑区。在经过更多的验证后，这种基于功能性神经造影的方法也许有朝一日会成为诊断神经精神疾病的主要医学工具。（编辑：婉珺）