Revisiting Semantic Markers of Schizophrenia: A Machine Learning Analysis of Verbal Fluency Features

Stellen Sie sich Ihr Gehirn als eine riesige, belebte Bibliothek vor, in der jeder Gedanke ein Buch ist. Wenn Sie sprechen, gehen Sie im Grunde durch die Gänge, ziehen Bücher aus den Regalen und erzählen jemandem, was Sie gefunden haben. Für die meisten Menschen ist dieser Spaziergang reibungslos; sie können schnell Bücher über „Tiere“ oder „Küchenwerkzeuge“ finden und eine ganze Reihe verwandter Titel nacheinander herausziehen. Aber für manche Menschen ist die Bibliothek ein wenig chaotisch. Die Bücher könnten verstreut sein, die Gänge verwirrend oder die Verbindungen zwischen ihnen vage. Dies ähnelt ein wenig dem, was in den Köpfen von Menschen mit Schizophrenie passiert, einer ernsthaften psychischen Erkrankung, die das Denken und Fühlen sehr schwierig machen kann. Eine der Möglichkeiten, mit denen Ärzte dieses Chaos zu verstehen versuchen, ist die Durchführung eines „verbalen Flüssigkeitstests“. Es ist ein einfaches Spiel: „Nenne so viele Tiere wie möglich innerhalb einer Minute.“ Während die alte Art, dieses Spiel zu bewerten, lediglich zählte, wie viele Wörter eine Person sagte, haben Wissenschaftler erkannt, dass das Wie des Sprechens genauso wichtig ist wie das Was. Springen sie wild von „Löwe“ zu „Toaster“ (ein großer Sprung), oder bleiben sie eine Weile in der „Katzenfamilie“? Diese Arbeit taucht in die digitale Seite dieser Bibliothek ein und nutzt Computerprogramme, um herauszufinden, welche spezifischen Muster in der Wortwahl einer Person die besten Hinweise sind, um Schizophrenie zu erkennen.

Die Forscher hinter dieser Studie, ein Team der Banaras Hindu University, beschlossen, diese Wortmuster mit einem leistungsstarken Werkzeug namens Machine Learning (Maschinelles Lernen) neu zu betrachten. Stellen Sie sich Machine Learning als einen superintelligenten Schüler vor, der tausende Beispiele liest, um zu lernen, wie man Unterschiede zwischen zwei Gruppen erkennt – in diesem Fall zwischen Menschen mit Schizophrenie und gesunden Freiwilligen. Das Team begann mit einem Datensatz von Personen, die den „Nenne die Tiere“-Test absolviert hatten. Da die ursprünglichen Daten keine Etiketten enthielten, die angaben, wer wer war, überprüften drei Expertenpsychologen die Wortlisten sorgfältig und kennzeichneten sie, wobei sie mit einem hohen Grad an Zuverlässigkeit übereinstimmten.

Aus diesen Wortlisten extrahierte das Team fünf verschiedene „Hinweise“ oder Merkmale, um sie in ihre Computermodelle einzuspeisen. Einige davon waren die traditionellen, die seit Jahren verwendet werden, wie die Gesamtzahl der gesprochenen Wörter (Fluency Score) oder wie oft die Person zwischen Wortgruppen wechselte (Number of Semantic Switches). Aber sie fügten auch zwei neue, anspruchsvollere Hinweise hinzu, die darauf basieren, wie ähnlich sich die Wörter in ihrer Bedeutung sind: die durchschnittliche Cluster-Ähnlichkeit (Average Cluster Similarity – wie eng die Wörter in einer Gruppe gruppiert sind) und die durchschnittliche Wechsel-Ähnlichkeit (Average Switch Similarity – wie groß der Sprung ist, wenn man zu einer neuen Gruppe übergeht). Sie trainierten dann fünf verschiedene Arten von Computer-„Schülern“ (Klassifikatoren), um anhand dieser Hinweise zu erraten, ob eine Person an Schizophrenie leidet.

Hier wird die Geschichte interessant. Das Team erwartete, dass die traditionellen Hinweise, wie die Gesamtzahl der Wörter oder die Anzahl der Wechsel, die wichtigsten sein würden. Schließlich war dies das, was frühere Studien nahegelegt hatten. Aber als sie den Computer entscheiden ließen, welche Hinweise tatsächlich am meisten zählen, änderten die Ergebnisse das Skript grundlegend. Der Computer ignorierte konsequent die alten Favoriten. Stattdessen zeigte er mit einem hellen, leuchtenden Finger auf die zwei neuen Ähnlichkeits-Hinweise: die durchschnittliche Cluster-Ähnlichkeit (ACS) und die durchschnittliche Wechsel-Ähnlichkeit (ASS).

Tatsächlich stellte die Studie fest, dass die traditionellen Maße, wie die mittlere Cluster-Größe (Mean Cluster Size – wie viele Wörter in einer Gruppe waren) und die Anzahl der semantischen Wechsel (Number of Semantic Switches), geringfügige oder nicht signifikante Unterschiede zwischen den Gruppen zeigten und wenig zur Fähigkeit des Computers beitrugen, diese zu unterscheiden. Auf der anderen Seite waren die Ähnlichkeits-basierten Merkmale die Stars der Show. Während Merkmale wie der Fluency Score und die Average Switch Similarity ein gewisses Potenzial auf „Trend-Niveau“ zeigten, war der Wert der Average Cluster Similarity der klare Spitzenreiter. Der Computer konnte Menschen mit Schizophrenie mit hoher Genauigkeit allein mithilfe des Average Cluster Similarity-Wertes identifizieren. In mehreren Fällen verbesserte das Entfernen der älteren, weniger effektiven Merkmale tatsächlich die Leistung des Computers, was darauf hindeutet, dass das Beibehalten dieser Merkmale nur Rauschen in das klare Signal der Ähnlichkeitsmaße einbrachte.

Die Autoren legen nahe, dass dies bedeutet, dass wir die Art und Weise, wie wir diese Tests betrachten, überdenken müssen. Es geht nicht nur darum, wie viele Wörter man sagt oder wie oft man Kategorien wechselt; es geht um die Qualität der Verbindungen zwischen diesen Wörtern. Wenn die Wörter, die man sagt, eng miteinander in der Bedeutung verknüpft sind, oder wenn die Sprünge, die man macht, deutlich und bewusst sind, scheinen diese Muster den wahren Schlüssel zum Verständnis der Sprachstörungen bei Schizophrenie zu halten. Obwohl die Studie nicht behauptet, die Diagnose der Schizophrenie gelöst zu haben, legt sie stark nahe, dass diese neuen, Ähnlichkeits-basierten Wege der Sprachmessung viel mächtigere Werkzeuge sind als die alten Methoden, auf die wir uns verlassen haben. Es ist, als würde man erkennen, dass man, um ein bestimmtes Buch in einer unordentlichen Bibliothek zu finden, nicht die Anzahl der Bücher im Regal zählen muss, sondern verstehen muss, wie die Bücher auf dem Buchrücken organisiert sind.