认识正在培训AI以诊断精神疾病的科学家
RI机器，调整了曲棍球头盔状装置上方的镜子，使头骨保持稳定，以便可以看到屏幕位于头后面，然后恢复我的静止位置：视频游戏按钮垫和紧急中止挤压球在我的手中，像木乃伊一样横穿胸骨。我滑回MRI机器，调整了曲棍球头盔状装置上方的镜子，使头骨保持稳定，以便可以看到屏幕位于头后面，然后恢复我的静止位置：视频游戏按钮垫和紧急中止挤压球在我的手中，像木乃伊一样横穿胸骨。
我的大脑扫描和MRI电池的结果(如果不是演示文稿)最终将被输入到机器学习算法中。一个由科学家和研究人员组成的团队将使用它来帮助潜在地发现人类对社会状况的反应。他们想将健康人的大脑与精神疾病患者的大脑进行比较。这些信息可能有助于对精神健康疾病进行正确诊断，甚至可以找到潜在的身体原因。但是最终目标是为任何给定的精神健康障碍找到最有效的干预措施。
机器学习方法能否提供更好的答案?
这个想法很简单：使用一种算法来挑逗可行的见解，将数据带入感受。
精神健康障碍在任何给定时间困扰着人类的相当一部分。根据世界卫生组织的统计，仅抑郁症就折磨着全球约3亿人，这是世界上导致残疾的主要原因之一。该组织估计，躁郁症约有6000万人，精神分裂症有2300万人。
问题是当前的模型是否可行。我们正在诊断最佳方法吗?目前，诊断是基于专业人员对精神健康疾病分类的症状显示，并收集在《精神疾病诊断和统计手册》(DSM)中，该手册已进行了第五次迭代。机器学习方法能否提供更好的答案?
首先是结构MRI，本质上是软组织X射线。极度嘈杂的扫描需要五分钟。接下来：功能性MRI，它实际上将显示我的大脑正常运行。功能磁共振成像需要我的大脑来执行任务，因此我玩游戏。
如果我是真正的受试者，我的扫描将归入精神健康障碍类别：边缘性人格障碍。实际上，我在扫描的前一天晚上和晚上有一个非常糟糕的边界情节，所以这次进入内部的机会时机不错，就像被救护车撞上一样。
精神病学正在试图测量大脑，这与大脑不太一样
对于弗吉尼亚理工大学研究团队的大脑来说，计算精神病学已经在研究2008年《科学》杂志上发表的文章时提出了新的见解。在研究过程中，他们发现我的边境友人似乎更关心互惠—我帮助您，您帮助我—而不是神经性人群，这与团队最初的假设相反。就其价值而言，这支持了我自己的经验。这是个人的失误，我倾向于在交易上看待友谊，常常会使用诸如“关怀”之类的疯狂货币。
玩了15分钟左右的游戏后，我从石棺中滑了下来。我的大脑已经成像。我在计算机屏幕上以灰度图查看它。
Ť他的人体神经影像实验室所在地弗吉尼亚理工大学Carilion的Fralin生物医学研究所位于罗阿诺克市中心。HNL托管了一个快速发展的领域，即计算精神病学，该领域将计算机科学的工具应用于精神病学。希望机器学习将导致对精神疾病的更多数据驱动的理解。
直到最近，这门科学才成为可能。Tech使用的算法已有数十年历史：它们与1990年发明的fMRI成像相结合。但是，使它们有用的计算能力现在终于可以得到了，并且有一种新的意愿将科学学科以新颖的方式结合起来解决新问题。
精神病学正在试图测量思想，这与大脑不太一样。因此，这取决于人们量化自己的感受。尽管临床诊断调查实际上非常准确，但它们容易出现一些错误。例如，一个人认为悲伤程度为1到10的3可能是另一个人的7分，而另一个人的10分，而他们都不是错的。准确测量疼痛的语言并不统一。
准确测量疼痛的语言不一致
心理健康障碍也是无定形的事物，不同诊断之间的症状重叠。但是通过将功能磁共振成像的神经成像与大量数据结合起来，机器学习算法可能能够学习如何快速，准确地诊断疾病。研究人员希望发现精神障碍的身体症状，并在体内追踪各种干预措施的有效性。
在弗拉林的第一天，研究协调员道格·陈(Doug Chan)和惠特尼·艾伦(Whitney Allen)以及翻译生物学，医学和健康博士生Mark Orloff在宽敞的大厅里会面。我们经过安全卡门和一个大厅，到达了人类神经影像实验室，该大厅与其他任何医疗大厅一样，在候诊室的桌子上有一堆杂志。
经过大厅的是医生的个人办公室。实验室的其他成员使用大型牛棚，书桌，计算机和多肉植物工作。MRI机器在大厅的更下方。在把我们与机器隔开的门窗的另一侧，奥尔洛夫(Oloff)拾取了一个微型的大脑模型，颜色为Fun-Tak-他说，这是3D打印的自己的大脑。大约和吃得饱的成年仓鼠一样大。
“真人大小，”艾伦开玩笑。
附近有调查室，配备了审讯式单向镜子和麦克风，因此研究人员可以观看患者接受临床采访的情况。在某些房间中，玩家可以与其他在线玩家在社交游戏中竞争，以帮助收集来自世界各地受试者的更多数据。
研究人员周围是他们工作的关键工具。在牛棚，会议室以及白板，窗户和墙壁上，是标记彩虹的每种颜色的数学公式。数学作为墙纸，作为背景辐射。
伯爵明珠邱秋珠有着浓密的黑发，沉着自信。她在说话前停下来思考，并在讨论她的工作时散发出老师的喜悦。她是实验室中唯一在临床环境中对患者有直接经验的，经过临床培训的心理学家，并且她从一个截然不同的地方进入了机器学习领域。“当我看到病人并与他们一起工作时，我对我们对正在发生的事情了解得很少感到沮丧，” Chiu说。她认为引进机器检测模式可能是一种解决方案。
对于Chu来说，有一件事很明显：“我们现在所拥有的只是行不通。”
调查响应，功能和结构MRI，行为数据，采访中的语音数据以及心理评估都被输入到机器学习算法中。不久，还将添加唾液和血液样本。Chiu的实验室希望从这种噪音中提取诊断信号。
“我们现在所拥有的只是行不通。”
fMRI扫描为算法提供了神经学信息，从而使机器可以了解某些刺激下大脑的哪些部位被照亮，从而建立了健康对照的比较。该算法可以在我们的社交行为中找到新的模式，或查看某种治疗干预措施何时何地有效，也许可以提供一种可以通过锻炼使大脑重新连接起来的预防性心理健康治疗的模板。不幸的是，fMRI像其他任何工具一样，也有其缺点：它会产生假阳性结果。最令人震惊的例子是对一条死鲑鱼的扫描，显示出大脑活动。
进入实验室的人员将首先进行临床检查，然后再完成MRI中内外的任务(例如玩行为游戏)。他们的遗传信息被收集。一旦获取了所有数据，就将其输入到算法中，从而得出结果。几分钟之内即可获得快速而肮脏的结果-更详细的结果可能需要数周时间。强大的模型还可以加快数据处理速度。例如，如果研究人员使用抑郁症模型，则其临床面试指向抑郁症的受试者将得到更快的处理。
Chiu希望使用这些扫描来帮助患者获得更好的治疗。她说，也许这种方法可以识别临床医生不会注意到或无法单独通过大脑访问的模式。通过使心理健康障碍更加物理化，Chiu希望也能帮助消除他们的污名化。如果可以像心脏病一样客观地和客观地诊断出这种疾病，抑郁症，躁郁症或精神分裂症会带来同样的耻辱吗?
掌握了这些模式后，Chiu可以想象出更敏锐的诊断能力，例如某种抑郁症，这种抑郁症会定期出现在大脑的特定部位。她想像有能力使用这些数据来知道一个人的特定类型的抑郁症对治疗的反应良好，而另一个人则可以通过药物更好地治疗。
目前，该实验室专注于Chiu所说的“动机障碍”：抑郁和成瘾。该算法正在开发诊断和治疗模型，研究人员希望这些模型可以直接应用于患者的生活。“我们如何将这些东西带回诊所?”邱问。
机器学习对于将Chiu的工作带出实验室并为患者提供帮助至关重要。Chiu说：“如果没有这些算法，我们的数据太多了，我们将无法找到这些模式”。人类无法整理这么多数据，但是计算机可以。
与Chiu的实验室一样，机器学习算法(特别是通过反复试验学习的算法)对于帮助VTC Fralin生物医学研究所副教授Brooks King-Casas找出成千上万的组合至关重要。他的实验室正在测量的变量。
“我有兴趣剖析人们的决策方式。”
King-Casas看上去天体，他的黑发沾满银色，他的眼镜像深夜的天空，说话时，他用双手作为标点符号。从广义上讲，King-Casas的实验室专注于社交行为。他们正在研究人际交往的模式，细微差别，感觉和参与的大脑区域。实验室对患有精神疾病的人与没有精神疾病的人之间的模式差异(细微差别，感觉和大脑活动区域)特别感兴趣。在临床上健康的人与患有边缘性人格障碍的人之间，社会关系是陷阱。
跟我一样的人。
King-Casas说：“我有兴趣剖析人们的决策方式，以及不同精神病患者的决策方式。”
该实验室正在建立定量模型，以分析决策过程的组成部分，希望能指出该过程出错的地方。通过雾化互动，金-卡萨斯希望将数字带入情感-研究我们的手机社交行为。数据可能会告诉我们，边缘性人格障碍患者相对于未受痛苦的人如何看待世界。
King-Casas说：“我们需要这些强化学习算法来做出一百种选择，并将它们解析为三个数字，以捕获所有这些信息。”他说，没有算法，这种蒸馏甚至是不可能的。即使是仅需两项选择任务的简单任务，该实验室也有多达十个模型可以解释如何做出选择。
“以大脑为模型，”金卡萨斯说。“我们要做的就是采取每个人的行为，然后说'好吧，哪种模型最能体现您所做的选择?'”
实验室试图做的是发现计算大脑的算法。
humans人类人类是有偏见的，这也继承了我们编写的算法。令人信服的是，算法是基于公正的数据做出判断的，但这是不正确的。数据是由有自己偏见的人收集和整理的。甚至用于收集该数据的工具也存在一些不足，这些不足也会使数据产生偏差。
如果偏差存在于编程中，则通过机器学习模式发现的诊断将毫无意义。尤其是精神病学，一直有性别偏见的历史，一直持续到今天：世界卫生组织指出，成为女性会使您更有可能开处方服用精神药物。
如果偏差存在于编程中，则通过机器学习模式发现的诊断将毫无意义
甚至痛苦之类的基本事物也都被性别所着色。2001年发表在《法律，医学与伦理杂志》上的一项研究发现，女性报告的疼痛更多，疼痛更频繁，经历的时间更长，但是与男性相比，他们的积极性较弱。报告总结说，他们充满了怀疑和敌意，直到他们实质上证明自己像男病人一样病。
毫不奇怪，种族是医疗的一个因素。存在访问问题：更白，更富裕的社区拥有更好的资源。但是，即使黑人能够平等地获得医疗服务，他们也往往会因疼痛而未得到充分治疗。弗吉尼亚大学在2016年进行的一项研究发现，医学生对黑人有荒谬且可能是危险的误解，例如他们的神经末梢不那么敏感。不平等的待遇也困扰着拉丁裔，美洲原住民以及亚洲及太平洋岛民患者。
VTCRI的研究人员如何确保他们的机器不了解我们的偏见?
“这是一个非常，非常，非常棘手的问题，” Chiu说。在这项工作中，访调员不知道受试者的心理健康史或他们可能接受的治疗。数据分析师也是盲目的。基本上，每个参与人员都“尽可能多地盲目”。
Chiu认为她的存在也有帮助。该团队有各种各样的学生，研究人员和科学背景。Chiu敏锐地意识到有什么危险：如果她实验室的算法发现的诊断和自定义治疗指南被社会上已经在起作用的人类偏见所感染，它们将简单地整理甚至加强这些偏见。
机器学习算法数据的技术方面，例如功能性MRI扫描中使用的视觉刺激，也必须谨慎考虑偏差的存在。
Chiu实验室研究程序员Jacob Jacob Lee通过视频聊天发表了讲话，解释了这一挑战。Lee告诉我，有很多因素需要考虑，包括人为因素会影响数据质量。
一个问题是，必须仔细计划fMRI机器中“感兴趣事件”之间的时间，以确保获得清晰的结果。Lee解释了挑战：机器每两秒钟获取一次大脑快照。但是获取正确的时间窗口至关重要。为了确保研究人员正在测量响应，他们必须考虑血液到达大脑正确部位所需的滞后时间，这是机器真正测量的时间。这限制了神经成像，并在两次扫描之间产生了间隔。
触发器本身必须仔细考虑;不同的文化对某些颜色或数字的看法不同。刺激包括显示旨在激发国际情感图片系统数据库的注意力和情绪的图像，或要求受试者对风险进行评分。
功能磁共振成像研究中的少数受试者(有时数十人)也可能会产生误导。这就是为什么实验室尝试共享数据以增加同类群组的规模和多样性的原因。(Chiu在一封电子邮件中写道，自开放以来，Tech的成像实验室已扫描了11,000多个小时。为了确保隐私，他们不会收集有关受试者的数值数据。)Human Neuroimaging Lab目前正在与伦敦大学学院合作并共享数据，北京大学(位于北京西郊)和贝勒医学院。此外，他们目前正在与夏威夷希洛大学的研究人员合作。
但是，功能磁共振成像扫描仪几乎都位于发达，而世界上大多数人口却不在。此外，正在研究的大多数同类人群都是针对人口中心和大学生的，这是一个易于访问的学科库，并且数据似乎甚至不足以说明世界。
功能磁共振成像有其问题：例如，《科学快讯》称科学家没有真正地注视着大脑。他们正在看的是大脑的软件表示，分为称为体素的单位。由林雪平大学的安德斯·埃克伦德(Anders Eklund)领导的瑞典团队决定针对人类数据集测试用于fMRI的三种最受欢迎的统计软件包。他们发现，三者之间的差异导致误报率高于预期。该发现发表于2016年6月的《科学院院刊》上，值得警惕。
该论文最初警告有关使40,000份基于fMRI的研究论文无效，后来被纠正为接近3500篇。但是，正如Vox所解释的那样，神经科学家并不认为fMRI是一种破损的工具-它仅需要持续的锐化。使扫描更容易访问和更准确将是该技术在临床上应用的关键。
谁来定义什么是“正常”?
“所有的硬件改造都是超级的，非常有价值的。”科学家亚当·切克劳德(Adam Chekroud)在电话采访中说，他的计算机精神病学研究成果已发表在《柳叶刀》等有影响力的期刊上。Chekroud以前从事过机器智能研究，使用的算法被证明可以准确预测特定的抗抑郁药，并且具有最大的成功机会。坚信临床应用是该领域最重要的部分，Chekroud是Spring Health的创始人和首席科学家，该公司旨在将技术引入患者。
除了越野车功能磁共振成像之外，计算精神病学还面临道德，精神，实践和技术问题。紧迫的问题包括算法所需的大量个人数据，这可能使黑客无法抗拒。同意也是一个问题：例如，一个沮丧的人是否可以被认为在健全的头脑中可以同意?如果我们创建精神健康疾病的模型，我们是否也在创建正常性模型，该模型可以用作辅助工具或工具?谁来定义什么是“正常”?
弗吉尼亚大学英联邦哲学教授保罗·汉弗莱斯(Paul Humphreys)在这里学习科学哲学，这引起了另一个令人着迷的关注：机器学习提出了一个类似于大脑本身的黑匣子问题。我们可以通过提供足够的数据来训练算法来识别猫，但是我们还不能完全确定它如何决定猫是什么。由于科学家对他们的模型仅表示了部分了解，因此存在科学家与其机器学习结果之间沟通不畅的风险。我们可以相信机器对精神疾病的定义与我们自己的定义足够接近吗?
现在看起来很奇妙的问题可能会在以后威胁领域
更为复杂的是，精神病学数据集中缺乏地面真理，这是一项经过人类审查的训练集，我们可以使用它来测试机器的学习情况。
“您至少需要一个真正独立的，功能强大的验证，”史蒂文·海曼(Steven Hyman)在电话采访中说。从1996年至2001年，他担任NIMH的主任，在那里他推动将神经科学和遗传学纳入精神病学研究，海曼现在是博德研究所斯坦利精神病学研究中心的核心成员和主任。
诊断例如皮肤癌的机器学习算法具有经过训练的样本集，这些样本经过活检和分类，因此毫无疑问是否是恶性的。但是目前还没有针对精神健康疾病的活检，至少目前还没有。Hyman说：“人们会经常忘记这一点，您会感到惊讶。”
计算精神病学的未来提供了自己的问题，这些问题现在看起来很神奇，但可能在以后威胁该领域。如果该领域正在使用的实时脑部扫描功能确实变得便宜，容易且准确，以适应特定的思维模式和情况，那么人们可以想象一个世界，在此世界上我们可以基本监控思想，而这种能力已经为人们所接受。
也许最令人担忧的是，计算精神病学有可能加入一长而臭名昭著的用于剥夺人民权利的科学领域。如果我们可以将数字和生物标记物放在感情上，那么灵魂会变成什么?是什么使我们成为人类，而不是复杂的有机模型?
“我们今天进行诊断的方式确实非常有限。”
“这表明机器中没有鬼影。这只是一台机器，”密歇根大学哲学与精神病学联合任命的副教授钱德拉·斯里帕达(Chandra Sripada)通过电话说。斯里帕达(Sripada)认为这种担心也许没有根据。它出现在其他较老的精神病学分支机构中，包括BF Skinner的行为主义。
斯里帕达说：“任何全面的心理学理论都担心它会夺走灵魂，神秘以及我们想要永远避免受到解释的人性方面。”
尽管计算模型确实提供了诊断和治疗的可能性，但科学家们却走钢丝。毕竟，他们是在与人合作，并且不想破坏患者自己的经历。人们希望被视为人类。他们的社会和环境因素至关重要。忽视这些事情或想象它们对治疗无关紧要是危险的。
哲学教授汉弗莱斯(Humphreys)说：“您所说的灵魂是对待许多人的不可避免的组成部分。”
ünderstanding理解理解什至是精神健康障碍的事实证明非常困难。如加里格林伯格，DSM和制药模型精神病怀疑，指出到大西洋的，术语“病症”是用于特异性地避免术语“疾病”，这意味着缺乏在精神病学该基生理理解的水平。
“我们今天进行诊断的方式确实非常有限，”汤姆·英瑟尔(Tom Insel)在2002年至2015年间接受电话采访时说，他是Mindstrong Health的联合创始人，心理健康研究所(NIMH)的负责人。“这有点像在不使用任何现代仪器(例如心电图，心脏扫描，血脂和其他任何东西)的情况下尝试诊断心脏病。”
希望计算精神病学可以提供与那些工具相同的功能。目前对精神健康障碍的理解是模糊的。在公众意识中，一种常见的化学失衡是怪罪怪，尤其是在抑郁症的情况下，却被抛在一边，而将大脑视为在电路上运作。当上述电路出现问题时，我们患有精神疾病。
对Insel而言，精神病学的问题是目前缺乏生物标志物。急性的临床观察导致了痛苦的分类学，他认为这是精神病学领域表现特别出色的一个关键方面，但是没有神经学依据是远远不够的。Insel说：“这是必要的，但还不够。”
“抑郁症之类的疾病有很多很多。”
NIMH现任主任约书亚·戈登(Joshua Gordon)表示赞同。NIMH在该领域采取更加客观的措施的努力始于1996年至2001年在史蒂文·海曼(Steven Hyman)主任的领导下。Insel进一步推动了NIMH，现在戈登(Gordon)投入了大量资金，目的是提供具体，客观的数据以帮助加强诊断并更好地提供治疗。戈登认为DSM模型旨在引导人们走向医学的批评是不正确的。最佳实践是使用任何有效的干预措施。话虽如此，诊断可能会失败。
戈登在电话中说：“我们必须在精神病学中承认，我们目前的诊断方法(基于DSM)无论如何都不能令人满意。”
使心理健康障碍的多样性进一步复杂化。格林伯格说，大脑化学成分与一些抑郁症患者有关，但并非所有符合DSM标准的人。除此之外，还有许多疾病以频谱形式出现的问题-在我最近的边缘性人格障碍诊断中，我的精神科医生还增加了双相情感障碍的阴影。格林伯格指出，由于这些疾病是没有生物学基础的分类，因此，人们需要发现多种人之间存在一种完美的一对一关系，这些疾病以多种方式呈现，而这一切都源于大脑中的一个问题，从而证实了这一点。 DSM模型。
“那真是太不可思议了，”格林伯格在电话中说。
以及哪些环境因素?某些精神疾病可能是由外部事件引起的，例如死亡，分手，财务状况改变，举动重大，压力大，这些可以通过时间和行动来缓解。
Insel说：“像抑郁症这样的疾病有很多很多疾病。”“这就像发烧。有很多发烧的方法。有很多方法可以减轻严重的抑郁症。今天，我们不只是要测量某人的体温并说“此人发烧，因此我们需要一些降低发烧的方法”。因此，每个人都在服用抗抑郁药。”
w ^帽子什么我们现在看到的不是一个模型。研究协调员惠特尼·艾伦(Whitney Allen)取代了我，成为了这座无声的墓。她正在想象两种不同的情况。一个就是如果今天得到50美元，她会买的牛排晚餐。她的牙齿生出肉，它的味道，它在门牙，舌头和牙龈之间的感觉。第二个是如果她从现在开始每年得到100美元，她会得到的鞋子。她在想父亲把鞋盒递给她，鞋盒的重量在手里。她专心致志的想法实际上在推动着某些事情，即屏幕上的滑块。她可以用我用过的小镜子看到它，因此她知道自己对现在和未来的思考程度。在计算机屏幕上的玻璃后面，一团蓝色和红色的体素像烟火一样在她的大脑中照亮，每隔两秒钟短暂闪烁一下，我们头骨内的黑匣子的盖子就会稍微打开。
艾伦被要求将自己的大脑投射到未来，或者着眼于眼前的现在，以试图在思考即时或延迟的满足时帮助找出内幕，然后这些知识可以用来帮助康复者。似乎不能像瘾君子那样放弃即时打击。斯蒂芬·拉康特(Stephen LaConte)的实验室正在与第三次洪水期间的成瘾恢复研究中心合作，正在使用实时功能磁共振成像扫描为受试者提供神经反馈。
窥探大脑工作时所提供的数据可能数十年未使用
生物医学工程专业研究生Harshawardhan Deshpande在LaConte实验室攻读博士学位，他解释了该实验的目的。如果吸毒者的时间窗口较短(将自己投射到未来并了解那些后果的问题)，他们可能能够训练自己，更好地长期思考。神经反馈帮助受试者了解他们在延长时间窗方面的表现。
Deshpande说：“在不久的将来，我们可以尝试恢复参与者思考未来的能力。”
除了上瘾的工作外，LaConte实验室还与弗吉尼亚大学柯克伦哲学系哲学教授Zachary Irving合作，他的研究重点是认知科学。欧文(Irving)和拉康特(LaConte)正在使用实时功能磁共振成像(fMRI)来尝试辨别受试者何时以及以何种方式徘徊。使用人文学科中发展的类别，希望是实时fMRI比目前可用的工具更接近于研究人们对自己的体验的感觉。
欧文在电话中说：“我们的目标是使该算法能够通过仅查看您的神经活动来实时检测，检测您的思维是否在徘徊。”
这种能力可以在例如教育中找到应用。如果人们知道某个看似结账的学生何时在做白日梦(根据欧文的说法，这可能是有益的思维游荡)或痴迷于消极的思想，则教师可以允许他们进行适当的探索或求情。当然，这样的系统也可能被滥用。雇主可能非常想知道大脑游荡花费了多少公司时间。
LaConte是实时功能磁共振成像领域的先驱-他发明了基于机器学习的实时功能磁共振成像-并在桌子上看起来像零件，红褐色的胡须，数学覆盖的白板，多个闪烁的屏幕。LaConte最初在明尼苏达大学(University of Minnesota)读研究生时就开始使用机器学习。他使用该工具研究了大脑的哪些区域对应于将多少压力挤压到传感器上。LaConte使用机器学习技术来观察大脑中更大的图像，而不是仅跟踪单个区域。
LaConte说：“机器学习的某些优势是您可以执行交叉验证之类的事情。”“您可以在部分数据集上训练模型，然后在该模型从未见过的独立数据集上测试其预测准确性或概括性。”
机器学习对于LaConte的实时工作至关重要。没有算法，他就无法提供反馈。LaConte相信，有了它，研究人员可以超越行为实验，而开始研究大脑本身的行为以指导他们的实验。如果上瘾者可以确定他们对未来的看法，那么他们就可以训练大脑更有效地思考，延长时间窗口，甚至减轻上瘾的可能性。
“整个想法是，您是否真的可以进行闭环实验，而实际上是受大脑中发生的事情驱动?”拉康特说。“因此可以用于康复和治疗。”想象一下作为舞蹈室的精神病学和介入术。镜子的墙壁有多有用?性能提升是康复的另一面。拉康特希望他的工作有一天能使我们训练大脑更好地工作，就像冥想被证明可以重新连接和尚的神经网络一样。
LaConte的实验室通过使用另一种方法回避了Eklund论文提出的fMRI问题。实验室的方法是在考虑整个大脑的同时询问大脑在任务执行过程中的行为。它会产生一个对或错的答案：它是否在做任务?通过使用这种全脑视图，该方法避免了仅通过分别查看大脑的每个部分而可能引起的一些并发症。这会产生多个答案-LaConte在一封电子邮件中写道，成千上万个，大脑的每个部分都受该任务影响-因此也有很多是对或错的机会。
除了对瘾君子的研究以外，LaConte的实验室还侧重于基础科学，证明了他的方法论的青春。窥探大脑工作时所提供的数据可能几十年来都没有应用。
一个小号作为当午后的阳光从一个公共区域的窗户倾斜时-被一面数学覆盖的墙壁隔开-邱和金卡萨斯轮流蹦蹦跳跳他们的小婴儿并讨论她可能生活的精神病学的未来：算法驱动的诊断模型(好吧，根据该模型，您的抑郁症出现在大脑区域x中，并伴有常见症状y)，针对性的疗法(对于您的特定x和y，我们注意到这种药物，并且这种疗法在大多数情况下效果特别好) ，以及由实时功能磁共振成像结果驱动的大脑训练方法，将精神病学转移到了预防医学领域。
他们正在谈论一个世界，其中精神病学更像是一门艰难的医学科学。
金-卡萨斯(King-Casas)预测，NIMH至少会投入5至10年的时间，足够长的时间来看看Carilion和其他人是否正在取得成果。卡萨斯国王说：“我认为这是一个时机已到的想法。”
最终，似乎吹来的风不那么猛烈，但已经造成了破坏。
“我不会说几十年，” Chiu谈到这个潜在的未来。“可能是几年。但是，让我们看看这些试验的结果如何。”Chiu和King-Casas持乐观态度。例如，伦敦大学学院教授彼得·福纳吉(Peter Fonagy)以及他的一位同事就预言了十年左右的大事情。但是每个人都同意，该领域似乎非常有前途，而当前的方法只是不能削减它。
精神病学充满了将要“保存”的范式的骨头和碎片-有些几乎灭绝了，例如心理动力学，而另一些则坚持了下来，例如神经化学和遗传学。
NIMH主任戈登说：“我认为重要的是我们认识到计算和理论方法不会挽救精神病学。”这些仅仅是工具-尽管令人兴奋的工具-有望对患者有所帮助。
在我离开之前，我问他们是否相信他们的工作能够成功完成我的工作，如果我能早点诊断出边缘性人格障碍，就可以早日开始治疗，伤害的人更少。
他们认为可以。
在我去VTCRI旅行的不到一年的时间里，我的新精神病医生告诉我，也许我没有双相情感障碍，或者仅仅是双相情感障碍，也许所有这些-我不断充实的胸膛，绝望的迷雾;在另一个房间里，总是在另一个房间里听不清电视声音。听觉幻觉像是Game Boy配乐的片段;我是世界上最优秀的非小说作家之一的确定性，我是最糟糕的作家中的确定性;我的自我，我的乔凡自我，我的半乳糖自我，我的资本代词自我;我消失的那一刻，直到我渐渐淡入阴影;黑洞需要外部验证，愿意为此吞噬朋友，吸吮骨髓需要;我的偏执狂，令人难以抗拒的短信颠簸，在私人和公共场所，在酒吧外和在大街上的咆哮，都指向其他的东西，一种诊断模式隐藏在我最严重症状的阴影中。
在她诊断出我患有边缘性人格障碍之前，我在我的人际关系中粗暴对待。砸手机，发明敌人，让嫉妒和愤怒控制着我。我在一个自己的偏执狂的无形大教堂内进行手术，我的情绪有害且不加区分。诊断后，我有开始变得更好的观点。我已经进行了认知行为疗法，这很有帮助;我一直服用拉莫三嗪，这可以使我的情绪更加适当并减缓情绪波动。最终，似乎吹来的风不那么猛烈，但已经造成了破坏。
我的工作明显更好，尽管我并没有完成这项工作。我已经开始关注一个人过去和现在所具有的破坏力。我与我所获得的距离为实现此目标提供了必要的视角。它也使留下的废墟变得清晰。
我花了好几年才再次信任医学。我在大学期间服用了选择性5-羟色胺再摄取抑制剂(SSRI)，尽管它确实使我摆脱了深沉的沮丧-或至少我为此感到自豪-最初也使我的大脑充满了地毯式炸弹的所有微妙之处。我的第一次注射后的当天晚上，我醒来时感觉不对，在我的黑暗宿舍的地板上爬行。我整天睡着走路，被担心的同学从二楼的栏杆上拉开，几乎无法将句子拼在一起。即使剂量减半，我也会有可怕的梦想和震颤。我的手颤抖得很厉害，以至于我拿着的所有东西都变成了打击乐器。这些震颤零星地持续到今天-也许是心理上的，尽管为什么对我来说，事情远没有发生那么重要。
也许所有这些，精神病学及其当前模式的附带损害都可以减轻，也许可以制止。
