意识是一种奇特的，甚至是超自然的观念。从三磅重的肉中浮现出一种意识，意识到自己的身体和周围的世界。当我们看到意识时，我们都能认出它，但它究竟是什么呢?当它消失的时候会去哪里?神经科学没有工具来回答这些问题——如果它们真的能够回答的话——但是在医院里，医生需要能够诊断意识。他们需要知道大脑受伤的病人是否意识到自己或周围的环境。这种诊断仍然主要是通过简单的床边检查做出的。病人是否遵守医嘱?他是故意打手势或说话吗?
对于处于意识边缘的病人——不是清醒的，也不是昏迷的——定义意识状态是困难的。无目的的动作和声音看起来很像有目的的动作和声音。意识来来去去。在许多情况下，会做出高风险的诊断。患者要么处于最低意识状态，有一些恢复的可能性，要么被诊断为无反应性觉醒综合症，这些行为被认为是随机的，没有目的的，恢复的希望渺茫。令人不安的是，这些诊断混杂在多达40%的病例中。
《大脑》(Brain)杂志最近发表的一项研究，在事关重大的情况下，试图给医生一些帮助。本文详细介绍了一种机器学习算法，该算法利用脑电图脑波记录将无反应觉醒综合征与最低意识状态区分开来。该算法如果投入使用，将会从诊断中排除一些猜测，并且可能比大多数人类医生表现得更好。但用算法诊断精神状态会引起伦理方面的担忧。把这种生死攸关的诊断交给一台机器，我们能有多自在?尤其是我们对意识的处理，作为一种理念，是如此之少?
研究大脑中意识的痕迹并不是一个新想法。几十年来，研究人员一直在研究PET和fMRI等脑部扫描技术如何用于研究意识边缘。在2014年一项具有里程碑意义的研究中，PET扫描显示，在一些被诊断为无反应性觉醒综合征(non - responsive waksyndrome，以下称无反应性觉醒综合征)的患者中，他们的大脑能够对一些线索做出反应。更重要的是，积极进行PET扫描的患者更有可能实现有意义的康复。
这项发现表明，如果对病人的意识状态有任何疑问，就应该使用PET扫描。然而，并非每家医院都有PET扫描。它们也很昂贵，容易产生人工制品，并且难于解释。另一种更容易接受的替代方法是脑电图(EEG)，将电子传感器放在患者的头皮上，通过头骨捕捉活动。当足够多的神经元同时放电时，脑电图以波的形式记录大脑活动。在健康人体内，这些波以可预测的频率波动。脑部受伤后，这种模式就更难预测了。
在这项新的研究中，巴黎皮蒂-莎佩蒂医院的一组研究人员对268名被诊断为无反应性觉醒综合症或最低意识状态的患者进行了脑电图记录。这些脑电图是在听力任务之前和过程中被记录下来的，目的是为了捕捉声音的有意识处理。几十个方面的数据被输入一个叫做doca - forest的机器学习算法。
doca - forest在这个复杂的任务中表现得相对较好。大约四分之三的病例得到了正确的诊断。(注意:作者使用了一种更好的性能度量，称为AUC，而不是准确性。AUC考虑了假阳性分类的比率，这在这里有着深远的影响。)
作者还将DOC-Forest引入到实际场景中。他们在数据中引入随机噪声，模拟数据收集过程中的差异。他们考虑了头骨上传感器的不同布置。他们还对来自比利时列日一家医院的另一组病人使用了这种算法。在每一种情况下，DOC-Forest都表现良好，性能指标大致相同。
从某种角度来说，这种机器学习算法是一个重大的进步。脑电图数据复杂，包含时间、频率、测试条件、传感器位置等多维度。通常情况下，研究人员会专注于少数几个易于解释的数据方面，比如在聆听任务中出现的特定脑电波。然而，这种对解释的关注排除了数据潜在的重要方面。机器学习没有人类对可解释性和可交流性的偏见。它只是专注于正确地分类数据，这就是这里所需要的全部。
如果付诸实践，“医生森林”可能是一个没有经验的神经科医生的有用工具。这个“医务室”将浏览脑电图数据，并提供一些可能性，让缺乏经验的医生在他或她的床边测试中忽略了病人的某种程度的意识。但是这里有一个循环。该算法是针对人类神经学家通过床边测试诊断出的病例进行“训练”的。尽管皮特里埃医院的研究小组能够追踪病人一段时间以减少误诊，但该算法只是将脑电图信号与那些——尽管更专业——的床边诊断联系起来。但是，有什么意识形式在这些测试中没有被发现，脑电图或其他?请记住，我们并不真正知道意识是在哪里以及如何出现的。我们对有意识经验可能采取的形式没有多少感觉，除了我们自己经历的形式。有人可能会说，我们对这个问题的最小理解意味着我们还不应该让机器参与其中。另一方面，我们不清楚这些问题是否会有令人满意的答案。所以，为什么不让一个精心设计的工具，比如docs - forest，帮助我们在当前对意识的理解范围内做出决定呢?这并不是一个简单的答案，但随着这些工具越来越接近日常使用，可能应该讨论一下这个问题。
相关阅读：杏耀,杨谨华晋升人妻 嫁交往2年石油富商
