Precision-weighted updating shows cross-task consistency as a bounded computational marker when precision gain is sufficiently large

Technisches Resümee: Präzisionsgewichtetes Updating zeigt als beschränkter computationaler Marker konsistente Aufgabenübergreifung bei ausreichend großem Präzisionsgewinn

Problemstellung
Die computergestützte Psychiatrie (Computational Psychiatry) strebt danach, syndromale Labels durch generative Parameter (z. B. Lernraten, Präzisionsgewichte) zu ersetzen, die als transdiagnostische Marker oder Endophänotypen dienen. Es besteht jedoch ein kritischer Spannungsgrad: Parameter, die innerhalb einer einzelnen experimentellen Aufgabe geschätzt werden, werden oft als portable Merkmale behandelt, könnten jedoch lediglich „aufgabenspezifische Regressionsgewichte“ und keine stabilen biologischen Größen sein. Die vorliegende Arbeit untersucht, ob ein spezifischer Präzisionsgewichtungskoeffizient ($\gamma$) innerhalb des CPSP-8-Modells (einem dreischichtigen Threat-Dissociation-Framework) über verschiedene Risikoverhaltensaufgaben (Balloon Analogue Risk Task [BART] und Columbia Card Task [CCTHot]) sowie eine Verhaltensprobe generalisiert oder ob er lediglich ein Artefakt des spezifischen Aufgaben-Graphen ist. Die Studie untersucht gezielt die Identifizierbarkeit und die aufgabenübergreifende Konsistenz von $\gamma$ im Vergleich zu anderen Entscheidungsparametern (Bedrohung, Baseline, initiale Lernrate $\alpha_0$, inverse Temperatur $\beta$, Wertzuwachs $v_{gain}$) und der theoretischen Ornstein-Uhlen-Uhlen-Bedrohungsdimension (OU-Schicht).

Methodik
Die Studie nutzte eine Sekundäranalyse de-identifizierter Daten aus drei OpenNeuro-Datensätzen:

1. D1 (BART): $N=173$ (124 Kontrollen, 49 Schizophrenie) aus ds000030.
2. D5 (CCTHot): $N=104$ aus ds004636.
3. D2 (HierPrior): $N=43$ aus ds008083, der eine Verhaltensprobe für $\gamma$ bereitstellte.

Modellarchitektur:
Der Autor verwendete CPSP-8, ein Modell bestehend aus:

• Schicht 1 (Theoretisch): Ein kontinuierlicher Ornstein-Uhlen-Uhlen-Prozess (OU) für den latenten Bedrohungszustand ($z_t$) und eine Dissociationsdrift. Diese Parameter ($\theta, \sigma_{ou}, \kappa, \lambda, onset$) wurden auf den Gruppenmittelwerten aus vorangegangenen Erholungssimulationen (bei denen die $\theta$-Erholung $r < 0,3$ betrug) eingefroren, um zu verhindern, dass nicht identifizierbare Dynamiken als patientenspezifische Merkmale interpretiert werden.
• Schicht 2 (Entscheidung): Eine präzisionsgesteuerte Delta-Regel. Die Lernrate $\alpha_t$ wird durch einen Präzisionsgewichtungskoeffizienten $\gamma$ moduliert, basierend auf den quadrierten Vorhersagefehlern ($PE_t^2$) relativ zur Bernoulli-Unsicherheit.
• Schicht 3: RT-Modellierung mittels einer Log-Normal-Approximation eines Wald-Prozesses.

Analytisches Verfahren:
Das Kernverfahren der Analyse war die Hierarchische Transfer-Kreuzvalidierung (HTCV), die vor der Sichtung der Ergebnisse präregistriert wurde. Im Gegensatz zur Standard-Leave-one-subject-out-Kreuzvalidierung testet HTCV die Austauschbarkeit der Gruppen-Posterior-Mittelwerte über Aufgaben hinweg.

• Konsistenzkriterium: Ein Parameter gilt als konsistent über Aufgaben hinweg, wenn das 95 % Höchstdichteintervall (HDI) der Differenz zwischen den Aufgabenmittelwerten ($\Delta = \mu_{TaskA} - \mu_{TaskB}$) die Null enthält.
• Hypothesen:
  • H1: Alle Nicht-$\gamma$-Entscheidungsparameter sind konsistent über BART und CCT.
  • H2: $\gamma$ ist konsistent über BART, CCT und die HierPrior-Probe.
  • H3: Die OU-Schicht ist unter dem Freeze nicht testbar.
  • H4: CPSP-8 ist nicht schlechter als dedizierte Modelle (Random Walk, Logistische Regression, DDM, vereinfachtes HGF-2) hinsichtlich der Wahl (Choice) und der Reaktionszeit (RT).
• Post-Review-Diagnostik: Umfasste ROPE-Checks (Region of Practical Equivalence), ein konjugiertes MAP+SE-Sensitivitätsgitter (36 Variationen von Priors und Pooling), WAIC/LOO-IC-Modellvergleich sowie demografisches Propensity-Score-Weighting (IPW).
• Identifizierbarkeitsprüfungen: Virtuelle-Subjekt-Simulationen (D1d, D1e) testeten die Parameterrekonstruktion ($r$) und die familiäre Separabilität (Bayes-Faktoren) zwischen dem präzisionsgesteuerten Modell und einem Random-Walk-Limit (RW, $\gamma=0$).

Kernergebnisse

1. H1 gescheitert (Aufgabenspezifität): Alle Nicht-$\gamma$-Entscheidungsparameter ($\text{Bedrohung}, \text{Baseline}, \alpha_0, \beta, v_{gain}$) zeigten signifikante Unterschiede zwischen BART und CCT (95 % HDIs schlossen Null aus). Beispielsweise war $\beta$ (inverse Temperatur) 1,769 in BART gegenüber 0,001 in CCT. Der Autor interpretiert dies nicht als Fitting-Fehler, sondern als Beleg dafür, dass diese Parameter als „Modus-Schalter“ fungieren, die sich an spezifische Aufgabenstrukturen anpassen (z. B. verborgene Gefahr vs. explizite Wahrscheinlichkeiten).
2. H2 bedingt gestützt (Pipeline-sensitive Konsistenz): Unter der präregistrierten NUTS-HDI-Regel war der Präzisionsgewichtungskoeffizient $\gamma$ der einzige Parameter, bei dem das 95 % HDI der Differenz zwischen BART und CCT die Null enthielt ($\Delta = 0,3835$, HDI $[-0,0084, 0,7826]$). Diese Konsistenz hielt über alle drei Kontraste (BART-CCT, BART-EEG, CCT-EEG) unter dieser spezifischen Regel stand.
   • Kritische Einschränkungen: Die Arbeit stellt explizit klar, dass dieses Ergebnis nicht robust gegenüber Pipelines ist: Die Konsistenz schlägt auf einem konjugierten MAP+SE-Gitter fehl (0/36 Zellen enthielten die Null), ist keine ROPE-Äquivalenz (das HDI überlappt, ist aber nicht darin enthalten) und WAIC/LOO bevorzugten aufgabenspezifische $\gamma$-Modelle gegenüber einem gemeinsamen $\gamma$-Modell ($\Delta$WAIC = 146,6). Folglich wird $\gamma$ als „beschränkter, Pipeline-sensitiver skalarer Wert“ und nicht als stabiles Merkmal beschrieben.
3. H3 bestätigt (Unidentifizierbare OU): Die Parameter der OU-Schicht blieben eingefroren, da Simulationen zur Rekuperation virtueller Subjekte Pearson-Korrelationen von $r < 0,3$ für $\theta$ zeigten, was sie in diesen Aufgaben unidentifizierbar machte.
4. H4 gescheitert (Prädiktive Leistung): CPSP-8 war dedizierten Modellen nicht überlegen. Ein Random Walk (RW) und die logistische Regression übertrafen CPSP-8 beim Choice-RMSE; ein DDM übertraf es beim RT-RMSE.
5. Identifizierbarkeit und Separabilität:
   • $\gamma$ war auf individueller Ebene mit 960 Trials rekonstruierbar (Median $r \approx 0,66$).
   • Familiäre Separabilität: Das Modell konnte den präzisionsgesteuerten Mechanismus nur dann von einem Random Walk ($\gamma=0$) unterscheiden, wenn der wahre $\gamma$-Wert ausreichend groß war. Die Separabilität wurde bei $\gamma \ge 1,0$ mit $\ge 960$ Trials (oder $\gamma \ge 1,5$ mit 480 Trials) erreicht. Bei $\gamma \le 0,5$ oder $\gamma=0$ war das Modell familien-inseparabel vom RW (Bayes-Faktoren nahe 1).

Bedeutung und Ansprüche
Die Arbeit beansprucht einen bescheidenen, beschränkten Beitrag zur computergestützten Psychiatrie:

• $\gamma$ ist ein beschränkter Skalar, kein Biomarker: Der Präzisionsgewichtungskoeffizient $\gamma$ zeigt eine aufgabenübergreifende Konsistenz nur unter spezifischen Bedingungen (ausreichend großer Gewinn, ausreichende Trial-Zahlen und eine spezifische NUTS-Fitting-Pipeline). Er scheitert an Robustheitsprüfungen (konjugiertes Gitter, WAIC) und ist kein diagnostischer Biomarker für Schizophrenie (da $\gamma$ sich in der BART-Stichprobe nicht nach Diagnose unterschied; $\beta$ tat dies jedoch, scheiterte aber an der aufgabenübergreifenden Konsistenz).
• Mechanismus vs. Architektur: Die Studie unterscheidet zwischen „portablen“ Parametern und „Modus-Schaltern“. Das Scheitern von H1 deutet darauf hin, dass viele Entscheidungsparameter kontextabhängig sind. Der bedingte Erfolg von H2 legt nahe, dass die Präzisionsgewichtung nur dann ein Kandidat für einen computationalen Endophänotyp ist, wenn der „Präzisionsgewinn“ groß genug ist, um von einer einfachen Lernrate unterscheidbar zu sein, und die Fitting-Pipeline fixiert ist.
• Ehrlichkeitseinschränkungen: Der Autor betont, dass das Einfrieren der OU-Schicht und das Eingeständnis der Unfähigkeit, $\gamma$ von RW bei niedrigen Werten zu trennen, „Ehrlichkeitseinschränkungen“ darstellen. Er spricht sich dagegen aus, unidentifizierte Dynamiken als patientenspezifische Merkmale zu narrieren.
• Methodische Strenge: Die Studie unterstreicht die Notwendigkeit der hierarchischen Transfer-Validierung und der Parameterrekonstruktionsprüfungen. Sie zeigt, dass ein Parameter unter einer bestimmten Bayesianischen HDI-Regel als konsistent erscheinen kann, während er in anderen Robustheitsprüfungen (ROPE, konjugiertes Gitter, WAIC) versagt, was die Pipeline-Sensitivität computationaler Phänotypen verdeutlicht.

Zusammenfassend stellt die Arbeit fest, dass die präzisionsgewichtete Aktualisierung ($\gamma$) zwar vielversprechend als aufgabenübergreifender computationaler Marker erscheint, sein Nutzen jedoch strikt beschränkt ist durch die Magnitude des Gewinns, die Trial-Anzahl und die Fitting-Pipeline. Er sollte nicht ohne weitere Validierung durch neuronale Anker und familiäre Designs als definitives klinisches Diagnosetool oder erbliches Endophänotyp interpretiert werden.