机器学习还可以帮助精神科医生预测不同患者的大脑会如何对抑郁症的药物治疗产生反应。「现在的精神病医生不得不猜测，从诊断角度来看，哪种药物可能是有效的，」Yamin 说道。「因为有时症状并不能说明大脑中发生的一切。」

但 Yamin 同时指出，这些愿景可能很长一段时间都无法实现。很多科学家们现在正在思考这些问题。NeuroImage 期刊曾出版过一个专刊登载预测个体大脑差异和神经影像学诊断的论文。

这是非常重要的研究方向，因为当涉及到医疗领域时，预测为治疗和预防疾病带来了新思路。

机器学习可以预测癫痫发作

癫痫病的患者永远无法得知自己将在何时发病。「这对你的生活来说是致命的——你不能开车，不能正常生活，因为你随时有可能发病，」国立卫生研究院的神经科学家 Christian Meisel 说道。「如果拥有一个预警系统，一切都将会不同。」

目前人们对癫痫病的治疗方式也不甚完美。一些患者不得不 24 个小时不断服用抗惊厥药物，而这些药物具有严重的副作用。而对于 20%-30% 的患者来说，没有任何药物对他们有效。

用预测来改变这一切。

如果癫痫患者知道癫痫发作即将来临，他们至少可以提前找到一个安全的地方。预测还可以改变治疗方式：提前警告可以告诉患者快速服用癫痫药物，或发送电信号以阻止其即将出现的发作。

这是一个 EEG——脑电图图像——Meisel 分享了一个癫痫病人的例子。「现在是没有癫痫发作的情况，」Meisel 说道。「问题是，这种情形距离发病有一小时还是四个多小时？」

对于临床医生来说，预测是非常困难的，他说，甚至是不可能的。

但关于一场即将发作的癫痫的信息可能隐藏得非常微妙。为了测试这种可能性，Meisel 的实验室最近参加了一个由网络上的数据科学社区中心 Kaggle 主办的比赛。Kaggle 提供了三位癫痫患者的几个月和几年的 EEG 记录。Meisel 使用了深度学习来分析这些数据并寻找其中的模式。

根据癫痫的前奏的 EEG 扫描来预测癫痫发作，这能够做到多好？「如果你有一个可以预测一切的完美系统，你得 1 分。」Meisel 说，「如果你只有一个抛硬币的随机系统，你得分 0.5。而我们现在的得分是 0.8。也就是说我们的系统现在并不能做到完美预测，但却比随机好很多。」（这听起来似乎不错，直播，但目前这个方法更多还是理论上的，并不实用。这些患者是通过颅内 EEG 监测的，这是一种侵入式操作。）

Meisel 是一位神经学理论学家，绘制了癫痫发作病症如何从小型的神经活动发展成完全的衰竭型行为的模型。他说，机器学习是帮助他改善其理论的有用工具。他可以将自己的理论引入到机器学习模型中，观察它是否使得系统更具预测性。「如果有效，那我的理论就是正确的。」他说。

从机器学习到真正有用，神经科学将需要变成一种大数据科学。

机器学习并不能解决神经科学领域内的所有大问题。它可能会受限于来自 fMRI 和其它脑扫描技术的数据的质量。（最好的也就是 fMRI 绘制出的大脑的模糊影像。）「就算我们有无限的成像数据，你也不能得到完美的预测，因为这些成像流程本身是非常不完美的。」计算机科学家 Gael Varoquaux 如是说，他已经开发出了一款用于神经科学的机器学习工具包。

但至少我访问过的神经科学家都对机器学习感到兴奋，因为机器学习有利于实现更干净的科学（cleaner science）。机器学习解决了所谓的「多重比较问题（multiple comparison problem）」，其中研究者的工作本质上是在他们的数据中挖掘出统计学上显著的结果（只要有足够的脑扫描数据，某些地方的一些区域就会「点亮」）。使用机器学习，不管你对大脑行为的预测是否正确，Varoquanx 说：「预测是你可以控制的东西」。

大数据的方法也意味着神经科学家可以在实验室之外开始自己的行为研究。「我们所有的关于大脑活动方式的传统模型都基于那些人工设置的实验环境」，Ghuman 说，「当涉及到真实世界环境时，我们并不完全清楚它是否还是有效。」如果我们有了关于大脑活动（也许来自可穿戴的 EEG 监测器）和行为的足够数据，机器学习就可以开始寻找将这两者联系起来的模式，而不再需要认为设置的实验。