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

Résumé technique : La mise à jour par pondération de la précision montre une cohérence inter-tâches en tant que marqueur computationnel borné lorsque le gain de précision est suffisamment important

Énoncé du problème
La psychiatrie computationnelle cherche à remplacer les étiquettes syndromales par des paramètres génératifs (ex. : taux d'apprentissage, poids de précision) qui servent de marqueurs transdiagnostiques ou d'endophénotypes. Cependant, une tension critique existe : les paramètres estimés au sein d'une seule tâche expérimentale sont souvent traités comme des traits transportables, alors qu'ils peuvent n'être que des « poids de régression liés à la tâche » plutôt que des quantités biologiques stables. L'article examine si un coefficient de pondération de la précision ($\gamma$) spécifique au sein du modèle CPSP-8 (un cadre de dissociation de la menace à trois couches) se généralise à travers différentes tâches de prise de risque (BART [Balloon Analogue Risk Task] et CCTHot [Columbia Card Task]) et une sonde comportementale, ou s'il n'est qu'un artefact du graphe de tâche spécifique. L'étude étudie spécifiquement l'identifiabilité et la cohérence inter-tâches de $\gamma$ par rapport à d'autres paramètres de décision (menace, base, taux d'apprentissage initial $\alpha_0$, température inverse $\beta$, gain de valeur $v_{gain}$) et la couche de menace théorique d'Ornstein-Uhlenbeck (OU).

Méthodologie
L'étude a utilisé une analyse secondaire de données dé-identifiées provenant de trois ensembles de données OpenNeuro :

1. D1 (BART) : $N=173$ (124 contrôles, 49 schizophrènes) de ds000030.
2. D5 (CCTHot) : $N=104$ de ds004636.
3. D2 (HierPrior) : $N=43$ de ds008083, fournissant une sonde comportementale pour $\gamma$.

Architecture du modèle :
L'auteur a employé le CPSP-8, un modèle comprenant :

• Couche 1 (Théorique) : Un processus de temps continu d'Ornstein-Uhlenbeck (OU) pour l'état de menace latent ($z_t$) et une dérive de dissociation. Ces paramètres ($\theta, \sigma_{ou}, \kappa, \lambda, onset$) ont été gelés aux moyennes de groupe dérivées de simulations de récupération préalables (où la récupération de $\theta$ était $r < 0,3$) afin d'éviter de narrer des dynamiques non identifiables comme des traits spécifiques aux patients.
• Couche 2 (Décision) : Une règle delta modulée par la précision. Le taux d'apprentissage $\alpha_t$ est modulé par un coefficient de pondération de la précision $\gamma$ basé sur les erreurs de prédiction au carré ($PE_t^2$) par rapport à l'incertitude de Bernoulli.
• Couche 3 : Modélisation du temps de réaction (RT) via une approximation log-normale d'un processus de Wald.

Procédure analytique :
L'analyse centrale a utilisé une Validation Croisée de Transfert Hiérarchique (HTCV), préenregistrée avant la consultation des résultats. Contrairement à une validation croisée standard de type "leave-one-subject-out", l'HTCV teste l'échangeabilité des moyennes postérieures de groupe à travers les tâches.

• Critère de cohérence : Un paramètre est considéré comme cohérent à travers les tâches si l'intervalle de densité la plus élevée (HDI) à 95 % de la différence entre les moyennes des tâches ($\Delta = \mu_{TaskA} - \mu_{TaskB}$) contient zéro.
• Hypothèses :
  • H1 : Tous les paramètres de décision non-$\gamma$ sont cohérents entre BART et CCT.
  • H2 : $\gamma$ est cohérent entre BART, CCT et la sonde HierPrior.
  • H3 : La couche OU est impossible à tester sous le gel.
  • H4 : Le CPSP-8 n'est pas moins performant que des modèles dédiés (Random Walk, Régression Logistique, DDM, HGF-2 simplifié) sur le choix et le RT.
• Diagnostics post-examen : Incluent les vérifications ROPE (Région d'Équivalence Pratique), une grille de sensibilité MAP+SE conjuguée (36 variations de priors et de pooling), la comparaison de modèles WAIC/LOO-IC et la pondération par score de propension démographique (IPW).
• Vérifications d'identifiabilité : Des simulations de sujets virtuels (D1d, D1e) ont testé la récupération de paramètres ($r$) et la séparabilité au niveau de la famille (Facteurs de Bayes) entre le modèle à porte de précision et une limite de marche aléatoire (RW, $\gamma=0$).

Résultats clés

1. H1 a échoué (Spécificité de la tâche) : Tous les paramètres de décision non-$\gamma$ ($\text{menace}, \text{base}, \alpha_0, \beta, v_{gain}$) ont montré des différences significatives entre BART et CCT (les HDI à 95 % excluaient zéro). Par exemple, $\beta$ (température inverse) était de 1,769 dans BART contre 0,001 dans CCT. L'auteur interprète cela non pas comme un échec d'ajustement, mais comme la preuve que ces paramètres agissent comme des « commutateurs de mode » s'adaptant aux structures de tâches spécifiques (ex. : danger caché vs probabilités explicites).
2. H2 partiellement soutenue (Cohérence sensible au pipeline) : Sous la règle NUTS HDI préenregistrée, le coefficient de pondération de la précision $\gamma$ était le seul paramètre où l'HDI à 95 % de la différence entre BART et CCT contenait zéro ($\Delta = 0,3835$, HDI $[-0,0084, 0,7826]$). Cette cohérence s'est maintenue à travers les trois contrastes (BART-CCT, BART-EEG, CCT-EEG) sous cette règle spécifique.
   • Limitations critiques : L'article stipule explicitement que ce résultat n'est pas robuste à travers les pipelines. La cohérence échoue sur une grille MAP+SE conjuguée (0/36 cellules ne contenaient pas zéro), n'est pas une équivalence ROPE (l'HDI chevauche mais n'est pas contenu dans le ROPE), et le WAIC/LOO a favorisé les modèles à $\gamma$ spécifique à la tâche sur le modèle à $\gamma$ partagé ($\Delta$WAIC = 146,6). Par conséquent, $\gamma$ est décrit comme un « scalaire trans-tâche borné et sensible au pipeline » plutôt qu'un marqueur stable.
3. H3 confirmée (OU non identifiable) : Les paramètres de la couche OU sont restés gelés car les simulations de récupération de sujets virtuels montraient des corrélations de Pearson $r < 0,3$ pour $\theta$, rendant ces paramètres non identifiables dans ces tâches.
4. H4 a échoué (Performance prédictive) : Le CPSP-8 n'a pas surpassé les modèles dédiés. La marche aléatoire (RW) et la régression logistique ont surpassé le CPSP-8 sur l'erreur quadratique moyenne (RMSE) du choix ; le DDM a surpassé sur l'RMSE du RT.
5. Identifiabilité et Séparabilité :
   • $\gamma$ était récupérable au niveau individuel avec 960 essais (médiane $r \approx 0,66$).
   • Séparabilité familiale : Le modèle pouvait distinguer le mécanisme de pondération de la précision de la marche aléatoire (RW, $\gamma=0$) uniquement lorsque le vrai $\gamma$ était suffisamment élevé. La séparabilité était atteinte à $\gamma \ge 1,0$ avec $\ge 960$ essais (ou $\gamma \ge 1,5$ avec 480 essais). Pour $\gamma \le 0,5$ ou $\gamma=0$, le modèle était infaisable de la RW (Facteurs de Bayes proches de 1).

Signification et Revendications
L'article revendique une contribution modeste et bornée à la psychiatrie computationnelle :

• $\gamma$ est un scalaire borné, pas un biomarqueur : Le coefficient de pondération de la précision $\gamma$ démontre une cohérence inter-tâches uniquement sous certaines conditions (gain suffisamment élevé, nombre d'essais suffisant et pipeline d'ajustement NUTS fixé). Il échoue aux tests de robustesse (grille conjuguée, WAIC) et n'est pas un biomarqueur diagnostique pour la schizophrénie (car $\gamma$ ne différait pas selon le diagnostic dans l'échantillon BART ; $\beta$ le faisait, mais $\beta$ a échoué à la cohérence inter-tâches).
• Mécanisme vs Architecture : L'étude distingue les paramètres « transportables » des « commutateurs de mode ». L'échec de H1 indique que de nombreux paramètres de décision sont dépendants du contexte. Le succès conditionnel de H2 suggère que la pondération de la précision est une candidate pour un endophénotype computationnel uniquement lorsque le « gain de précision » est suffisamment grand pour être distinguable d'un simple taux d'apprentissage et que le pipeline d'ajustement est fixé.
• Contraintes d'honnêteté : L'auteur souligne que le gel de la couche OU et la reconnaissance de l'incapacité à séparer $\gamma$ de la RW à de faibles valeurs sont des « contraintes d'honnêteté ». Il s'oppose à la narration de dynamiques non identifiées comme des traits spécifiques aux patients.
• Rigueur méthodologique : L'étude renforce la nécessité de la validation de transfert hiérarchique et des vérifications de récupération de paramètres, montrant qu'un paramètre peut paraître cohérent entre les tâches sous une règle de l'HDI bayésien tout en échouant dans d'autres tests de robustesse (ROPE, grille conjuguée, WAIC), soulignant la sensibilité au pipeline des phénotypes computationnels.

En conclusion, l'article affirme que bien que la mise à jour par pondération de la précision ($\gamma$) montre des promesses en tant que marqueur computationnel inter-tâches, son utilité est strictement bornée par l'ampleur du gain, le nombre d'essais et le pipeline d'ajustement. Elle ne doit pas être interprétée comme un outil de diagnostic clinique définitif ou un endophénotype héréditaire sans une validation supplémentaire impliquant des ancres neurales et des conceptions familiales.