1 沉重的社会话题

几年前，王女士朋友的70多岁婆婆患了阿尔兹海默症，朋友的老公后来无法外出工作，在家全职照顾她。这使王女士开始关注这类病症，了解到如果尽早地发现和干预，可使病症发展减缓。同时，患者需要大量的康复训练，但患者因为脑部疾病会难以融入社区、社会，同时因为昂贵的康复费用等因素，为康复带来一定的难度。

在不久前的CNCC2023（中国计算机大会）上，王女士了解到已是一个重要的社会话题，相关的医学电子正向数据驱动型、精准诊疗方向发展，而生成式 /大模型是推进其进化的加速器。生成式和大模型的发展瓶颈之一是，需要更大容量、更高带宽和更低延迟。庆幸的是，科技等厂商正不断突破精进，正向市场推出一系列革命性的技术和产品。

2 一组惊人的数据

根据《世卫组织2022报告》，目前全球精神障碍患者已达9.7亿，占全球总人口的13%，我国精神障碍患者已超1亿。

我国精神医学与睡眠医学专家陆林院士在《科创中国·院士开讲》中提到，新冠疫情发生以来，全球新增超过7000万抑郁症患者，9000万焦虑症患者，数亿人出现失眠障碍问题。

在我国，阿尔兹海默症和自闭症分别是老年人和儿童中发病较多的病种。

随着人口老龄化，阿尔兹海默症正威胁着老年人的健康。据《2021年中国阿尔兹海默病患者诊疗现状调研报告》，60岁及以上人群中患者高达983万例，年治疗费用超过1.2万亿元。

据《2022年国民抑郁症蓝皮书》，我国18岁以下患者占总患病人数的30%，发病群体呈年轻化的趋势。据《中国自闭症教育康复行业发展状况报告》，我国孤独症患者超过1000万，其中0~14岁儿童患者超过200万，并以每年近20万的速度增长。

但是当前精神疾病诊断还是传统的方法，多以医生访谈和精神疾病诊断量表为主，缺乏客观量化诊断指标；治疗方式主要为药物治疗等方法，但是药物治疗存在副作用大等问题。以和大数据为代表的前沿信息技术的飞速发展，为精神疾病的诊疗提供了新契机，推动诊疗由症状描述型向数据驱动型转变，并提供了普适化、精准化和个性化的精神疾病诊疗分析技术，从而提高了精神疾病临床识别率和治疗有效率。

为此，不仅需要AI的发展，对也带来了挑战。因为随着CPU/GPU内核数量的不断增加以满足数据中心/AI工作负载需求，系统对更高的内存带宽与容量的需求也显著增长，从而在应对“内存墙”挑战的同时优化客户的总体拥有成本。为此，在内存方面，已推出1β技术的DDR5 DRAM（内存），支持计算能力向更高的性能扩展，能支持数据中心和客户端平台上的AI训练和推理、生成式AI、数据分析和内存数据库（IMDB）等应用。

3 精神研究的四个步骤

为了实现数据驱动，需要完成四个步骤：数据获取、分析模型、特征表达、干预方法。

数据获取：借助生物医学技术去获取一些生理行为的信息的技术。

分析模型：确定用什么样的工具分析数据，是用经典的机器学习的方法，还是用现在热门的大模型、深度学习的方法。

特征表达：解释和分析所挖掘出来的信息指标。

干预方法：进行智能化、精准化的干预。

3.1 数据获取

在生理信号获取上，有多种方法。

● 电极技术。包括脑电、心电、肌电、皮电。

● 音频。可采集鼾声、心音、肺音、肠鸣音等，来揭示与健康的关系。

● 影像。核磁共振成像（MRI）可以去了解脑结构与脑功能，例如对病灶区进行基本靶点定位后，为后续的精准治疗提供相关的依据。正电子成像（PET）可研究抑郁患者发病机理及药物干预疗效。超声已作为痴呆症风险早期筛查工具。CT成像可用于阿尔兹海默等神经类疾病的诊断。医疗领域正走向普适化，日常生活的场景下的可佩戴式的近红外成像（fNIR）系统，可监测氧合血红蛋白的变化。光声成像（PAI）可以用来测量脑氧饱和度的异常来进行的检测。脑磁图（MEG）方面，可穿戴脑磁监测系统可用于研究运动障碍病理生理学、精神障碍病理学等。

● 行为信号。可采集语言、表情和眼动等数据；此外，还有步态、睡眠。特点是无扰的。例如步态，在一些特定的应用场景，例如学校用于大规模的人群筛查。睡眠监测也可以是无扰式的，通过采用声纳等技术，适合睡眠敏感人群使用，例如在枕边放传感装置，来收集睡眠过程中的呼吸鼾声，以及夜里翻身等状况。

3.2 分析模型、特征表达与干预

有了数据后，接下来需要选择深度学习模型对疾病机理进行分析。无论是从机器学习还是深度学习模型，挖掘出来患者的整体特征并分析，帮助人们进行更精准化的认知。在这个基础上，可以把疾病进行更细的分层分类，以进行精准干预。

干预方面，主要有药物干预、音乐治疗、芳香疗法、光照疗法。这几年比较热门的还有正念训练、虚拟现实暴露疗法（VRET）、运动疗法。临床医学上，较新的疗法还有：对于一些中重度抑郁或者是癫痫患者，还有脑电磁刺激疗法；激光间质热疗（LITT）在MRI磁共振成像引导下，治疗强迫症。中医的耳迷走神经刺激也被国际上所验证，因为耳部的迷走神经的刺激是可以多少改善我们内部多巴胺的分泌，进而调整我们的行为。

这些数据获取、干预方法中，很多是无扰、便携式的终端，需要提供平衡的性能和功耗。因此在存储器方面，需要低功耗产品。的低功耗LPDDR系列DRAM及嵌入式闪存就是为满足便携移动终端所推出的。例如上述的干预中，虚拟现实暴露疗法（VRET）是通过VR眼镜让患者直面精神障碍的病源，进而克服焦虑或痛苦意识，可有效治疗焦虑症、强迫症和创伤性应激障碍。而VR眼镜需要超低功耗、小尺寸产品。美光科技最新的低功耗 LPDDR5X DRAM 和通用闪存 UFS 3.1 嵌入式解决方案，非常适合混合现实 (MR) 和虚拟现实 (VR) 设备。LPDDR5X通过创新的 1α 制程节点技术和 JEDEC 能效优化实现更低功耗，可实现高达 8.533 Gbps 的峰值速率。 

4 挑战与策略

数据获取。希望多模态的生理行为信息的获取。

分析模型。①对数据的数量和质量的依赖性高，才能产生精准的模型。②可解释性差。例如围绕一些高级复杂或深度模拟出来的特征，人们很难去跟经典的诊疗的标签或者是医生标注的信息进行直接的对应，所以难以揭示这个模型背后蕴含的因果关系。③成本高。在精神健康长期监测高灵敏长时耗的需求中，目前模式还有待进一步的改善的。

特征表达。还缺乏有效的研究理论和方法。

干预。分为药物干预与非药物干预。药物干预的缺点是副作用大，而且精神药物的接受度差，治疗周期比较长。非药物的干预，欠缺标准化的治疗研究，疗效难以量化评估，因而无法实现精准化的治疗，个性化程度较低，且跟药物治疗没有密切的协作配合关系。

总之，人脑是一个复杂的巨系统，需要开放式、多层次性、复杂性、巨量性的架构或体系的设计，来帮助人们从症状描述型到数据驱动型的转变，进而利用从定性到系统化的分析方法来解决精神健康的问题。

近期热门的生成式AI/大模型与传统AI有望在此加持。

生成式AI/大模型与传统AI有何区别？传统AI也称为狭义AI或弱AI，主要用于分析数据和做出预测；而生成式AI则更进一步，创建与其训练数据相似的新数据。换句话，传统AI擅长模式识别，而生成式AI擅长模式创建。可见传统AI和生成式AI具有不同的功能，可以协同工作，提供更强大的解决方案。例如，传统AI可以分析用户行为数据，而生成AI可以根据这种分析来创建个性化内容。

为了实现AI，不仅需要新一代AI/GPU算力芯片，同时也需要大量存储器与之匹配。根据美光测算，AI服务器中DRAM数量是传统服务器的8倍，NAND是传统服务器的3倍。这是因为AI工作负载倾向于占用更多内存。可见，这轮AI大潮也推动了存储芯片的需求量，催生了一批新技术产品问世。例如美光HBM3E DRAM、高密度 DDR5 DRAM 和 TB 级 SSD 存储等技术，以满足在云端进行生成式 AI 训练和推理所需的速度和容量。

HBM3E

HBM3E是一种DRAM存储芯片，是迄今市场上最先进的高带宽内存（HBM）产品。美光首批HBM3E采用8-Hi（8层）设计，提供24GB容量和超过1.2TB/s频宽, 比HBM3提高了50%。美光计划于2024年初开始大量出货HBM3E。

实际上，HBM是基于3D堆栈工艺的高性能DRAM。HBM DRAM 产品以 HBM（第一代）、HBM2（第二代）、HBM2E（第三代）、HBM3（第四代）、HBM3E（第五代）的顺序开发。HBM3E 是 HBM3 的扩展（Extended）版本。

NVMe SSD固态硬盘

不久前，美光推出 7500 系列 NVMe SSD，主要面向数据中心存储应用，包括了云服务器和企业服务器。该系列产品采用 232 层 3D NAND 闪存。美光称，这是全球首款基于 200+层 NAND 闪存的主流数据中心 SSD。

5 普适化康复需要生成式AI的加持

精神障碍人群由于脑部疾病，往往不愿意接纳他们，这不利于患者的康复，还会形成恶性循环。ChatGPT等生成式AI技术的出现为王女士带来无限遐想，希望康复设备普适化。例如，利用手机等移动终端设备可以给予患者人性化的聊天、娱乐、益智训练、教育等功能，而且身边的智能设备可以感知患者的呼吸、心率、睡眠、情绪等变化，利用光照的色彩和强度、音乐、芳香等调整，改善患者的情绪状态，或者通知医护人员与家人。由于不那么依赖专业人员和照护者，可使康复成本极大降低，又实现了精准康复。

在医学电子、计算技术、存储技术等技术的努力下，希望减少精神患者的疾患，生活质量更高。