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

तकनीकी सारांश: प्रिसिजन-वेटेड अपडेटिंग पर्याप्त प्रिसिजन गेन होने पर क्रॉस-टास्क निरंतरता एक बाउंडेड कम्प्यूटेशनल मार्कर के रूप में प्रदर्शित करता है

समस्या विवरण (Problem Statement)
कम्प्यूटेशनल साइकियाट्री (Computational psychiatry) सिंड्रोमल लेबल को जनरेटिव पैरामीटर्स (जैसे, लर्निंग रेट्स, प्रिसिजन वेट्स) से बदलने का प्रयास करती है जो ट्रांसडायग्नोस्टिक मार्कर या एंडोफेनोटाइप के रूप में कार्य कर सकें। हालाँकि, एक महत्वपूर्ण तनाव मौजूद है: एक एकल प्रयोगात्मक कार्य (experimental task) के भीतर अनुमानित पैरामीटर्स को अक्सर पोर्टेबल गुणों (portable traits) के रूप में माना जाता है, फिर भी वे केवल "टास्क-बाउंड रिग्रेशन वेट्स" हो सकते हैं न कि स्थिर जैविक मात्राएँ। यह शोध इस बात पर विचार करता है कि क्या CPSP-8 मॉडल (एक थ्री-लेयर थ्रेट-डिसोसिएशन फ्रेमवर्क) के भीतर एक विशिष्ट प्रिसिजन-वेटिंग गुणांक ($\gamma$) विभिन्न जोखिम लेने वाले कार्यों (बैलून एनालॉग रिस्क टास्क [BART] और कोलंबिया कार्ड टास्क [CCTHot]) और एक व्यवहारिक प्रोब (behavioral probe) के बीच सामान्यीकृत होता है, या यह केवल विशिष्ट कार्य ग्राफ का एक आर्टिफैक्ट है। अध्ययन विशेष रूप से अन्य निर्णय मापदंडों (थ्रेट, बेसलाइन, इनिशियल लर्निंग रेट $\alpha_0$, इनवर्स टेम्परेचर $\beta$, वैल्यू गेन $v_{gain}$) और सैद्धांतिक ऑर्नस्टीन-उलेनबैक (OU) थ्रेट लेयर की तुलना में $\gamma$ की पहचान क्षमता (identifiability) और क्रॉस-टास्क निरंतरता की जांच करता है।

कार्यप्रणाली (Methodology)
अध्ययन ने तीन OpenNeuro डेटासेट्स से डी-आइडेंटिफाइड डेटा का माध्यमिक विश्लेषण किया:

1. D1 (BART): $N=173$ (124 कंट्रोल्स, 49 सिज़ोफ्रेनिया) ds000030 से।
2. D5 (CCTHot): $N=104$ ds004636 से।
3. D2 (HierPrior): $N=43$ ds008083 से, जो $\gamma$ के लिए एक व्यवहारिक प्रोब प्रदान करता है।

मॉडल आर्किटेक्चर:
लेखक ने CPSP-8 का उपयोग किया, जिसमें शामिल हैं:

• लेयर 1 (सैद्धांतिक): लेटेंट थ्रेट स्टेट ($z_t$) और एक डिसोसिएशन ड्रिफ्ट के लिए एक निरंतर-समय ऑर्नस्टीन-उलेनबैक (OU) प्रक्रिया। इन मापदंडों ($\theta, \sigma_{ou}, \kappa, \lambda, onset$) को पूर्व रिकवरी सिमुलेशन (जहाँ $\theta$ रिकवरी $r < 0.3$ थी) से प्राप्त ग्रुप मीन के आधार पर फ्रीज (frozen) किया गया था ताकि अन-आइडेंटिफिएबल डायनेमिक्स को रोगी-विशिष्ट लक्षणों के रूप में न दर्शाया जाए।
• लेer 2 (डिसीजन): एक प्रिसिजन-गेटेड डेल्टा-रूल। लर्निंग रेट $\alpha_t$ को बर्नौली अनिश्चितता (Bernoulli uncertainty) के सापेक्ष स्क्वेयर्ड प्रेडिक्शन एरर्स ($PE_t^2$) के आधार पर प्रिसिजन-वेटिंग गुणांक $\gamma$ द्वारा मॉड्युलेट किया जाता है।
• लेयर 3: वाल्ड प्रोसेस (Wald process) के लॉग-नॉर्मल एप्रोक्सिमेशन के माध्यम से RT मॉडलिंग।

विश्लेषणात्मक प्रक्रिया:
मुख्य विश्लेषण में Hierarchical Transfer Cross-Validation (HTCV) का उपयोग किया गया, जिसे परिणामों को देखने से पहले प्री-रजिस्टर्ड किया गया था। स्टैंडर्ड लीव-वन-सब्जेक्ट-आउट CV के विपरीत, HTCV कार्यों के बीच ग्रुप-लेवल पोस्टीरियर मीन के विनिमयशीलता (exchangeability) का परीक्षण करता है।

• निरंतरता मानदंड (Consistency Criterion): एक पैरामीटर को तब सुसंगत माना जाता है जब दो कार्यों के बीच अंतर ($\Delta = \mu_{TaskA} - \mu_{TaskB}$) का 95% Highest Density Interval (HDI) शून्य को समाहित करता है।
• परिकल्पनाएँ (Hypotheses):
  • H1: सभी नॉन-$\gamma$ डिसीजन पैरामीटर्स BART और CCT में सुसंगत हैं।
  • H2: $\gamma$ BART, CCT और HierPrior प्रोब में सुसंगत है।
  • H3: फ्रीज के तहत OU लेयर अनटेस्टेबल है।
  • H4: CPSP-8 चॉइस और RT पर समर्पित मॉडल्स (Random Walk, Logistic Regression, DDM, सरल HGF-2) से खराब नहीं है।
• पोस्ट-रिव्यू डायग्नोस्टिक्स: इसमें ROPE (Region of Practical Equivalence) चेक, एक कंजुगेट MAP+SE सेंसिटिविटी ग्रिड (36 वेरिएशंस), WAIC/LOO-IC मॉडल तुलना, और डेमोग्राफिक प्रोपेंसिटी स्कोर वेटिंग (IPW) शामिल थे।
• पहचान क्षमता जाँच (Identifiability Checks): वर्चुअल-सब्जेक्ट सिमुलेशन (D1d, D1e) ने पैरामीटर रिकवरी ($r$) और फैमिली-लेवल सेपरेबिलिटी (Bayes Factors) का परीक्षण किया, जो प्रिसिजन-गेटेड मॉडल और रैंडम वॉक (RW) लिमिट ($\gamma=0$) के बीच था।

मुख्य परिणाम

1. H1 विफल रहा (टास्क विशिष्टता): सभी नॉन-$\gamma$ डिसीशन पैरामीटर्स ($\text{threat}, \text{baseline}, \alpha_0, \beta, v_{gain}$) ने BART और CCT के बीच महत्वपूर्ण अंतर दिखाया (95% HDIs ने शून्य को बाहर किया)। उदाहरण के लिए, $\beta$ (इनवर्स टेम्परेचर) BART में 1.769 था बनाम CCT में 0.001। लेखक इसे फिटिंग की विफलता के रूप में नहीं, बल्कि इस प्रमाण के रूप में व्याख्या करते हैं कि ये पैरामीटर्स विशिष्ट कार्य संरचनाओं (जैसे हिडन हैजर्ड बनाम स्पष्ट संभावनाओं) के अनुकूल होने वाले "मोड स्विच" के रूप में कार्य करते हैं।
2. H2 सशर्त रूप से समर्थित (पाइपलाइन-सेंसिटिव कंसिस्टेंसी): प्री-रजिस्टर्ड NUTS HDI नियम के तहत, प्रिसिजन-वेटिंग गुणांक $\gamma$ एकमात्र पैरामीटर था जहाँ BART और CCT के बीच के अंतर का 95% HDI शून्य को समाहित करता था ($\Delta = 0.3835$, HDI $[-0.0084, 0.7826]$)। यह निरंतरता तीनों कंट्रास्ट्स (BART-CCT, BART-EEG, CCT-EEG) के तहत इस विशिष्ट नियम के तहत बनी रही।
   • महत्वपूर्ण सीमाएँ: पेपर स्पष्ट रूप से कहता है कि यह परिणाम पाइपलाइन के प्रति रोबस्ट नहीं है: निरंतरता कंजुगेट MAP+SE ग्रिड पर विफल हो जाती है (36/36 सेल्स में शून्य नहीं था), यह ROPE इक्विवेलेंस नहीं है (HDI ओवरलैप करता है लेकिन ROPE के भीतर नहीं है), और WAIC/LOO ने साझा-$\gamma$ मॉडल के ऊपर टास्क-विशिष्ट $\gamma$ मॉडल्स को प्राथमिकता दी ($\Delta$WAIC = 146.6)। फलस्वरूप, $\gamma$ को एक स्थिर मार्कर के बजाय एक "बाउंडेड, पाइपलाइन-सेंसिटिव क्रॉस-टास्क स्केलर" के रूप में वर्णित किया गया है।
3. H3 की पुष्टि हुई (अन-आइडेंटिफिएबल OU): OU लेयर के पैरामीटर्स को फ्रीज रखा गया क्योंकि वर्चुअल-सब्जेक्ट रिकवरी सिमुलेशन ने $\theta$ के लिए पियर्सन कोरिलेशन $r < 0.3$ दिखाया, जिससे वे अन-आइडेंटिफिएबल हो गए।
4. H4 विफल रहा (भवि 예측 प्रदर्शन): CPSP-8 समर्पित मॉडल्स से बेहतर प्रदर्शन नहीं कर सका। चॉइस RMSE के लिए Random Walk (RW) और Logistic Regression बेहतर थे; RT RMSE के लिए DDM बेहतर था।
5. पहचान क्षमता और सेपरेबिलिटी:
   • $\gamma$ व्यक्तिगत स्तर पर 960 ट्रायल्स के साथ रिकवरेबल था (मिडियन $r \approx 0.66$)।
   • फैमिली सेपरेबिलिटी: मॉडल प्रिसिजन-गेटेड मैकेनिज्म को रैंडम वॉक ($\gamma=0$) से केवल तभी अलग कर सका जब वास्तविक $\gamma$ पर्याप्त रूप से बड़ा था। सेपरेबिलिटी $\gamma \ge 1.0$ के साथ $\ge 960$ ट्रायल्स (या $\gamma \ge 1.5$ के साथ 480 ट्रायल्स) पर प्राप्त हुई। $\gamma \le 0.5$ या $\gamma=0$ पर, मॉडल RW से फैमिली-इनसेपरेबल था (Bayes Factors 1 के करीब)।

महत्व और दावे
पेपर कम्प्यूटेशनल साइकियाट्री में एक मामूली, बाउंडेड योगदान का दावा करता है:

• $\gamma$ एक बाउंडेड स्केलर है, बायोमार्कर नहीं: प्रिसिजन-वेटिंग गुणांक $\gamma$ केवल विशिष्ट स्थितियों (पर्याप्त बड़ा गेन, पर्याप्त ट्रायल काउंट, और एक निश्चित NUTS फिटिंग पाइपलाइन) के तहत क्रॉस-टास्क निरंतरता प्रदर्शित करता है। यह रोबस्टनेस चेक (कंजुगेट ग्रिड, WAIC) में विफल रहता है और सिज़ोफ्रेनिया के लिए एक नैदानिक बायोमार्कर नहीं है (क्योंकि BART सैंपल में $\gamma$ निदान द्वारा भिन्न नहीं हुआ; $\beta$ ने अंतर दिखाया, लेकिन $\beta$ क्रॉस-टास्क निरंतरता में विफल रहा)।
• मैकेनिज्म बनाम आर्किटेक्चर: अध्ययन स्पष्ट करता है कि कई डिसीजन पैरामीटर्स कॉन्टेक्स्ट-डिपेंडेंट होते हैं। $\gamma$ की कंडीशनल सफलता यह सुझाव देती है कि प्रिसिजन वेटिंग केवल तभी एक कम्प्यूटेशनल एंडोफेनोटाइप का उम्मीदवार है जब "प्रिसिजन गेन" पर्याप्त रूप से बड़ा हो ताकि इसे साधारण लर्निंग रेट से अलग किया जा सके और फिटिंग पाइपलाइन स्थिर हो।
• ईमानदारी की बाधाएं (Honesty Constraints): लेखक OU लेयर को फ्रीज करने और $\gamma$ को RW से अलग करने में असमर्थता को स्वीकार करने पर जोर देते हैं। वे अन-आइडेंटिफाइड डायनेमिक्स को रोगी-विशिष्ट लक्षणों के रूप में प्रस्तुत करने के विरुद्ध तर्क देते हैं।
• मेथोडोलॉजिकल रिगर: यह अध्ययन पदानुक्रमित ट्रांसफर वैलिडेशन और पैरामीटर रिकवरी चेक की आवश्यकता को पुष्ट करता है, यह दिखाते हुए कि एक पैरामीटर एक विशिष्ट NUTS फिटिंग पाइपलाइन के तहत क्रॉस-टास्क निरंतरता दिखा सकता है, जबकि अन्य रोबस्टनेस चेक (ROPE, कंजुगेट ग्रिड, WAIC) में विफल हो जाता है, जो पाइपलाइन संवेदनशीलता को उजागर करता है।

निष्कर्षतः, पेपर यह दावा करता है कि हालांकि प्रिसिजन-वेटेड अपडेटिंग ($\gamma$) एक क्रॉस-टास्क कम्प्यूटेशनल मार्कर के रूप में आशाजनक दिखती है, इसकी उपयोगिता कड़ाई से बाउंडेड है—यह गेन के परिमाण, ट्रायल काउंट और फिटिंग पाइपलाइन द्वारा सीमित है। इसे बिना न्यूरल एंकर्स और फमिलियल डिजाइन्स के व्यापक सत्यापन के, एक निश्चित नैदानिक उपकरण या वंशानुगत एंडोफेनोटाइप के रूप में नहीं समझा जाना चाहिए।