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

Immagina il tuo cervello come una gigantesca e frenetica biblioteca dove ogni pensiero è un libro. Quando parli, stai essenzialmente camminando tra i corridoi, estraendo libri dagli scaffali e raccontando a qualcuno ciò che hai trovato. Per la maggior parte delle persone, questa passeggiata è fluida; possono trovare rapidamente libri su "animali" o "utensili da cucina" ed estrarre una serie di titoli correlati uno dopo l'altro. Ma per alcune persone, la biblioteca è un po' caotica. I libri potrebbero essere sparsi, i corridoi confusi o le connessioni tra di essi sfocate. Questo è un po' ciò che accade nelle menti delle persone con schizofrenia, una grave condizione di salute mentale che può rendere molto difficile pensare e sentire. Uno dei modi in cui i medici cercano di comprendere questo caos è somministrando un "Test di Fluidità Verbale". È un gioco semplice: "Nomina quanti più animali puoi in un minuto". Sebbene il vecchio modo di valutare questo gioco consistesse solo nel contare quante parole una persona diceva, gli scienziati si sono resi conto che anche il modo in cui le dicevano contava altrettanto. Stanno saltando selvaggiamente da "leone" a "tostapane" (un grande salto), o stanno rimanendo nella "famiglia dei gatti" per un po' prima di spostarsi? Questo articolo si addentra nel lato digitale di questa biblioteca, utilizzando programmi informatici per capire quali specifici pattern nelle scelte di parole siano i migliori indizi per individuare la schizofrenia.

I ricercatori dietro questo studio, un team della Banaras Hindu University, hanno deciso di esaminare questo nuovo punto di vista sui pattern delle parole utilizzando uno strumento potente chiamato Machine Learning. Pensa al Machine Learning come a uno studente super intelligente che legge migliaال di esempi per imparare a distinguere tra due gruppi: in questo caso, persone con schizofrenia e volontari sani. Il team è partito da un dataset di persone che avevano sostenuto il test "nomina gli animali". Poiché i dati originali non avevano etichette che indicassero chi fosse chi, tre psicologi esperti hanno esaminato attentamente le liste di parole e le hanno etichettate, concordando sulle risposte con un alto grado di affidabilità.

Da queste liste di parole, il team ha estratto cinque diversi "indizi" o caratteristiche da inserire nei propri modelli informatici. Alcuni di questi erano i tradizionali, usati da anni, come il numero totale di parole pronunciate (Punteggio di Fluidità) o quante volte la persona passava da un gruppo di parole a un altro (Numero di Cambi Semantici). Ma hanno anche aggiunto due nuovi, più sofisticati indizi basati sulla somiglianza delle parole tra loro nel significato: la Similarità Media dei Cluster (quanto strettamente raggruppate siano le parole in un gruppo) e la Similarità Media dei Cambi (quanto sia grande il salto quando si passa a un nuovo gruppo). Hanno poi addestrato cinque diversi tipi di "studenti" informatici (classificatori) per indovinare chi avesse la schizofrenia basandosi su questi indizi.

È qui che la storia si fa interessante. Il team si aspettava che i indizi tradizionali, come il numero totale di parole o il numero di cambi, sarebbero stati i più importanti. In fondo, era ciò che suggerivano gli studi precedenti. Ma quando hanno lasciato che il computer decidesse quali indizi contassero davvero di più, i risultati hanno ribaltato la situazione. Il computer ha costantemente ignorato i vecchi preferiti. Al contrario, ha puntato un dito luminoso e splendente verso i due nuovi indizi di somiglà: la Similarità Media dei Cluster (ACS) e la Similarità Media dei Cambi (ASS).

In effetti, lo studio ha scoperto che le misure tradizionali, come la Dimensione Media del Cluster (quante parole c'erano in un gruppo) e il Numero di Cambi Semantici, mostravano differenze deboli o non significative tra i gruppi e contribuivano poco alla capacità del computer di distinguerli. D'altra parte, le caratteristiche basate sulla somiglianza sono state le vere protagoniste. Mentre caratteristiche come il Punteggio di Fluidità e la Similarità Media dei Cambi mostravano un certo potenziale a "livello di tendenza", il punteggio di Similarità Media dei Cluster è stato il chiaro vincitore. Il computer poteva identificare le persone con schizofrenia con un'alta precisione usando solo il punteggio di Similarità Media dei Cluster. In diversi casi, rimuovere le caratteristiche più vecchie e meno efficaci ha effettivamente migliorato le prestazioni del computer, suggerendo che mantenerle aggiungeva solo rumore al segnale chiaro fornito dalle misure di somiglianze.

Gli autori suggeriscono che questo significa che dobbiamo ripensare il modo in cui guardiamo a questi test. Non si tratta solo di quante parole dici o di quante volte cambi categoria; si tratta della qualità delle connessioni tra quelle parole. Se le parole che dici sono strettamente impacchettate con significato, o se i salti che fai sono distinti e deliberati, quei pattern sembrano detenere la vera chiave per comprendere le interruzioni del linguaggio nella schizofrenia. Sebbene lo studio non pretenda di aver risolto la diagnosi della schizofrenia, suggerisce fortemente che questi nuovi modi di misurare il parlato, basati sulla somiglianza, sono strumenti molto più potenti rispetto ai vecchi metodi su cui abbiamo fatto affidamento. È come rendersi conto che, per trovare un libro specifico in una biblioteca disordinata, non serve contare quanti libri ci sono sullo scaffale; bisogna capire come i libri sono organizzati sul dorso.