由卡內基梅隆大學的馬塞爾·恰斯（Marcel Just）和匹茲堡大學（University of Pittsburgh）的大衛布倫特（David Brent）領導的研究人員開發了一種創新而有前途的方法，通過分析他們的大腦如何代表某些概念（如死亡，殘忍和麻煩）的變化來識別自殺個體。
自殺風險眾所周知難以評估和預測，自殺是美國年輕人中第二大死因。發表在“ 自然人類行為”中，該研究提供了一種評估精神疾病的新方法。
“我們最新的工作是唯一的，因為它識別與自殺意念和行為相關的概念改變，使用機器學習算法來評估與自殺有關的具體概念的神經表示。這給了我們一個大腦和頭腦的窗口，揭示了自殺的個人對自殺和情感相關概念的看法。這項新研究的核心內容是，我們可以判斷某人是否以考慮死亡相關話題的方式考慮自殺。“Just Hebb大學教授心理學教授，迪特里希人文與社會學院科學。
對於這項研究，Just和Brent誰擁有自主研究的授權椅子，是皮特的精神病學，兒科，流行病學和臨床和翻譯科學教授，提供了10個死亡相關詞彙的列表，10個詞與正面概念相關（例如無憂無慮），以及與消極想法（例如麻煩）相關的10個話題，對17名已知自殺傾向的人群和17名神經性個人。
他們將機器學習算法應用於在腦組織掃描儀中每個參與者思考的兩個組之間最好區分的六個單詞概念。這些是死亡，殘忍，麻煩，無憂無慮，善良和讚美。基於這六個概念的大腦表示，他們的程序能夠以91％的準確度來確定參與者是否來自控制組或自殺組。
然後，關注自殺意見者，他們採用了類似的方法，看看算法是否可以識別那些僅僅考慮過自殺企圖的參與者。該計劃能夠準確地區分9人嘗試以94％的準確度生活。
“在更大的樣本中進一步測試這種方法將決定其普遍性和預測未來自殺行為的能力，並且可以為未來的臨床醫生提供一種識別，監測並且可能干預經常被表徵的改變和經常扭曲的思維的方法。嚴重自殺的個人，“布倫特說。
為了進一步了解什麼導致自殺和非自殺的參與者俱有不同的大腦激活模式的具體想法，Just和Brent使用神經特徵的檔案，用於情緒（特別是悲傷，恥辱，憤怒和自豪）來衡量每種情緒的數量這是由六個區別性概念中的每一個在參與者的大腦中引起的。基於概念的情感簽名的差異，機器學習程序能夠準確地預測參與者屬於哪個組，具有85％的準確性。
“這種後一種方法的好處，有時被稱為可解釋的人工智能，更顯示了歧視兩個群體的區別，即歧視性詞彙引起的情感類型。”剛才說。“有自殺想法的人在考慮一些測試概念時會遇到不同的情緒。例如，“死亡”的概念在思考自殺的群體中引起了更多的恥辱和更悲傷。這種額外的理解可能表明了一種治療方式，試圖改變對某些概念的情緒反應。“
Just和Brent希望這種基本的認知神經科學研究的發現可以用來挽救生命。
布倫特說：“最迫切的需要是將這些發現應用於更大的樣本，然後用它來預測未來的自殺企圖。
剛剛和他的CMU同事湯姆·米切爾（Tom Mitchell）率先推出了機器學習應用於大腦成像技術，用於識別腦激活特徵的概念。從那時起，研究已經擴展到從他們的神經特徵識別情感和多概念的想法，並且揭示複雜的科學概念如何被編碼在被學習之中。