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

Sintesi Tecnica: L'aggiornamento pesato sulla precisione mostra una coerenza cross-task come marcatore computazionale limitato quando il guadagno di precisione è sufficientemente elevato

Problema
La psichiatria computazionale cerca di sostituire le etichette sindromiche con parametri generativi (ad esempio, tassi di apprendimento, pesi di precisione) che fungano da marcatori transdiagnostici o endofenotipi. Tuttavia, esiste una tensione critica: i parametri stimati all'interno di un singolo compito sperimentale sono spesso trattati come tratti portabili, ma potrebbero essere semplici "pesi di regressione legati al compito" piuttosto che quantità biologiche stabili. Il documento affronta se un coefficiente specifico di pesatura della precisione ($\gamma$) all'interno del modello CPSP-8 (un framework a tre strati di dissociazione della minaccia) si generalizzi attraverso compiti di rischio distinti (Balloon Analogue Risk Task [BART] e Columbia Card Task [CCTHot]) e una sonda comportamentale, o se sia meramente un artefatto del grafo specifico del compito. Lo studio investiga specificamente l'identificabilità e la coerenza cross-task di $\gamma$ rispetto ad altri parametri decisionali (minaccia, baseline, tasso di apprendimento iniziale $\alpha_0$, temperatura inversa $\beta$, guadagno di valore $v_{gain}$) e lo strato teorico di Ornstein-Uhlenbeck (OU).

Metodologia
Lo studio ha utilizzato un'analisi secondaria di dati de-identificati da tre dataset OpenNeuro:

1. D1 (BART): $N=173$ (124 controlli, 49 schizofrenia) da ds000030.
2. D5 (CCTHot): $N=104$ da ds004636.
3. D2 (HierPrior): $N=43$ da ds008083, fornendo una sonda comportamentale per $\gamma$.

Architettura del Modello:
L'autore ha impiegato il CPSP-8, un modello composto da:

• Strato 1 (Teorico): Un processo continuo di Ornstein-Uhlenbeck (OU) per lo stato di minaccia latente ($z_t$) e una deriva di dissociazione. Questi parametri ($\theta, \sigma_{ou}, \kappa, \lambda, onset$) sono stati congelati sulle medie di gruppo derivate da simulazioni di recupero precedenti (dove il recupero di $\theta$ era $r < 0.3$) per evitare di narrare dinamiche non identificabili come tratti specifici del paziente.
• Strato 2 (Decisione): Una regola delta regolata dalla precisione. Il tasso di apprendimento $\alpha_t$ è modulato da un coefficiente di pesatura della precisione $\gamma$ basato sugli errori di predizione quadratici ($PE_t^2$) rispetto all'incertezza di Bernoulli.
• Strato 3: Modellazione dei tempi di reazione (RT) tramite un'approssimazione log-normale di un processo di Wald.

Procedura Analitica:
L'analisi principale ha utilizzato la Validazione Incrociata di Trasferimento Gerarchico (HTCV), preregistrata prima della visione dei risultati. A differenza della standard leave-one-subject-out CV, la HTCV testa la scambiabilità delle medie posteriori a livello di gruppo tra i compiti.

• Criterio di Coerenza: Un parametro è considerato coerente tra i compiti se l'intervallo di densità massima (HDI) al 95% della differenza tra le medie dei compiti ($\Delta = \mu_{TaskA} - \mu_{TaskB}$) contiene lo zero.
• Ipotesi:
  • H1: Tutti i parametri decisionali non-$\gamma$ sono coerenti tra BART e CCT.
  • H2: $\gamma$ è coerente tra BART, CCT e la sonda HierPrior.
  • H3: Lo strato OU è non testabile sotto il congelamento.
  • H4: Il CPSP-8 non è peggiore dei modelli dedicati (Random Walk, Regressione Logistica, DDM, HGF-2 semplificato) su scelta e RT.
• Diagnostica Post-Revisione: Inclusi controlli ROPE (Regione di Equivalenza Pratica), una griglia di sensibilità MAP+SE con coniugati (36 variazioni di prior e pooling), confronto dei modelli WAIC/LOO-IC e ponderazione del propensity score demografico (IPW).
• Controlli di Identificabilità: Simulazioni di soggetti virtuali (D1d, D1e) hanno testato il recupero dei parametri ($r$) e la separabilità a livello di famiglia (Fattori di Bayes) tra il modello a gate di precisione e un limite di Random Walk (RW, $\gamma=0$).

Risultati Chiave

1. H1 Fallita (Specificità del Compito): Tutti i parametri decisionali non-$\gamma$ ($\text{minaccia}, \text{baseline}, \alpha_0, \beta, v_{gain}$) hanno mostrato differenze significative tra BART e CCT (gli HDI al 95% escludevano lo zero). Ad esempio, $\beta$ (temperatura inversa) era 1.769 in BART rispetto a 0.001 in CCT. L'autore interpreta questo non come un fallimento del fitting, ma come prova del fatto che questi parametri agiscono come "interruttori di modalità" che si adattano alle specifiche strutture del compito (ad esempio, pericolo nascosto vs. probabilità esplicite).
2. H2 Condizionatamente Supportata (Coerenza Sensibile alla Pipeline): Sotto la regola NUTS HDI preregistrata, il coefficiente di pesatura della precisione $\gamma$ è stato l'unico parametro in cui l'HDI al 95% della differenza tra BART e CCT conteneva lo zero ($\Delta = 0.3835$, HDI $[-0.0084, 0.7826]$). Questa coerenza è stata mantenuta in tutti e tre i contrasti (BART-CCT, BART-EEG, CCT-EEG) sotto questa specifica regola.
   • Limitazioni Critiche: Il documento afferma esplicitamente che questo risultato non è robusto tra le pipeline. La coerenza fallisce su una griglia coniugata MAP+SE (0/36 celle contenevano lo zero), non è equivalenza ROPE (l'HDI si sovrappone ma non è contenuto entro il ROPE) e il WAIC/LOO ha favorito i modelli $\gamma$ specifici per il compito ( $\Delta$WAIC = 146.6). Di conseguenza, $\gamma$ è descritto come uno "scalare cross-task limitato e sensibile alla pipeline" piuttosto che un marcatore stabile.
3. H3 Confermata (OU non Identificabile): I parametri dello strato OU sono rimasti congelati perché le simulazioni di recupero dei soggetti virtuali mostravano correlazioni di Pearson $r < 0.3$ per $\theta$, rendendoli non identificabili in questi compiti.
4. H4 Fallita (Performance Predittiva): Il CPSP-8 non ha superato i modelli dedicati. Il Random Walk (RW) e la Regressione Logistica hanno superato il CPSP-8 sulla RMSE della scelta; il DDM ha superato il CPSP-8 sulla RMSE dei RT.
5. Identificabilità e Separabilità:
   • $\gamma$ era recuperabile a livello individuale con 960 trial (mediana $r \approx 0.66$).
   • Separabilità della Famiglia: Il modello poteva distinguere il meccanismo di pesatura della precisione da un Random Walk ($\gamma=0$) solo quando il vero $\gamma$ era sufficientemente grande. La separabilità è stata raggiunta con $\gamma \ge 1.0$ con $\ge 960$ trial (o $\gamma \ge 1.5$ con 480 trial); con $\gamma \le 0.5$ o $\gamma=0$, il modello era famiglia-inseparabile da RW (Fattori di Bayes vicini a 1).

Significato e Rivendicazioni
Il documento rivendica un contributo modesto e limitato alla psichiatria computazionale:

• $\gamma$ è uno Scalare Limitato, non un Biomarcatore: Il coefficiente di pesatura della precisione $\gamma$ dimostra coerenza cross-task solo sotto condizioni specifiche (guadagno sufficientemente grande, numero di trial sufficiente e una specifica pipeline di fitting NUTS). Fallisce i controlli di robustezza (griglia coniugata, WAIC) e non è un biomarcatore diagnostico per la schizofrenia (poiché $\gamma$ non differiva per diagnosi nel campione BART; $\beta$ lo faceva, ma $\beta$ falliva la coerenza cross-task).
• Meccanismo vs. Architettura: Lo studio distingue tra parametri "portabili" e "interruttori di modalità". Il fallimento di H1 indica che molti parametri decisionali sono dipendenti dal contesto. Il successo condizionale di H2 suggerisce che la pesatura della precisione è un candidato per un endofenotipo computazionale solo quando il "guadagno di precisione" è sufficientemente grande per essere distinguibile da un semplice tasso di apprendimento e la pipeline di fitting è fissa.
• Vincoli di Onestà: L'autore sottolinea che il congelamento dello strato OU e il riconoscimento dell'incapacità di separare $\gamma$ da RW a valori bassi sono "vincoli di onestà". Argomentano contro la narrazione di dinamiche non identificate come tratti specifici del paziente.
• Rigore Metodologico: Lo studio rinforza la necessità di validazione di trasferimento gerarchico e controlli di recupero dei parametri, mostrando che un parametro può apparire coerente tra i compiti sotto una regola Bayesian HDI, pur fallendo in altri controlli di robustezza (ROPE, griglia coniugata, WAIC), evidenziando la sensibilità alla pipeline dei fenotipi computazionali.

In conclusione, il documento afferma che, sebbene l'aggiornamento pesato sulla precisione ($\gamma$) mostri potenziale come marcatore computazionale cross-task, la sua utilità è strettamente limitata dall'entità del guadagno, dal numero di trial e dalla pipeline di fitting. Non deve essere interpretato come uno strumento diagnostico clinico definitivo o un endofenotipo ereditabile senza ulteriore validazione che coinvolga ancoraggi neurali e disegni familiari.