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

Stel je je brein voor als een enorme, drukke bibliotheek waar elke gedachte een boek is. Wanneer je spreekt, loop je in feite door de gangpaden, haalt boeken uit de schappen en vertelt iemand wat je hebt gevonden. Voor de meeste mensen verloopt deze wandeling soepel; ze kunnen snel boeken over "dieren" of "keukengerei" vinden en een hele reeks gerelateerde titels achter elkaar tevoorschijn halen. Maar voor sommige mensen is de bibliotheek een beetje chaotisch. De boeken kunnen verspreid liggen, de gangpaden verwarrend zijn, of de verbindingen tussen hen vaag. Dit is een beetje wat er gebeurt in de geesten van mensen met schizofrenie, een ernstige mentale aandoening die het denken en voelen erg moeilijk kan maken. Een van de manieren waarop artsen deze chaos proberen te begrijpen, is door mensen een "verbale vloeiendheidstest" te geven. Het is een simpel spelletje: "Noem zoveel mogelijk dieren die je in één minuut kunt bedenken." Hoewel de oude manier van scoren bij dit spel alleen telde hoeveel woorden iemand sprak, hebben wetenschappers beseft dat hoe ze ze zeiden even belangrijk is. Springen ze wild van "leeuw" naar "broodrooster" (een grote sprong), of blijven ze een tijdje binnen de "kattenfamilie" voordat ze verdergaan? Dit artikel duikt in de digitale kant van deze bibliotheek en gebruikt computerprogramma's om uit te zoeken welke specifieke patronen in iemands woordkeuze de beste aanwijzingen zijn voor het opsporen van schizofrenie.

De onderzoekers achter deze studie, een team van de Banaras Hindu University, besloten op een frisse manier naar deze woordpatronen te kijken met behulp van een krachtig instrument genaamd Machine Learning. Denk aan Machine Learning als een superintelligente student die duizenden voorbeelden leest om te leren hoe hij verschillen tussen twee groepen kan herkennen—in dit geval mensen met schizofrenie en gezonde vrijwilligers. Het team begon met een dataset van mensen die de "noem de dieren"-test hadden gedaan. Omdat de oorspronkelijke gegevens geen labels bevatten die aangaven wie wie was, hebben drie deskundige psychologen de woordlijsten zorgvuldig beoordeeld en de antwoorden gelabeld, waarbij ze met een hoge mate van betrouwbaarheid tot overeenstemming kwamen.

Uit deze woordlijsten extraherde het team vijf verschillende "aanwijzingen" of kenmerken om de computer modellen te voeden. Sommige hiervan waren de traditionele kenmerken die al jarenlang worden gebruikt, zoals het totale aantal gesproken woorden (Vloeiendheidsscore) of hoe vaak iemand van de ene groep woorden naar de andere overschakelde (Aantal semantische wisselingen). Maar ze voegden ook twee nieuwe, meer geavanceerde aanwijzingen toe gebaseerd op hoe vergelijkbaar de woorden in betekenis met elkaar waren: Gemiddelde Cluster Gelijkenis (hoe dicht woorden in een groep bij elkaar staan) en Gemiddelde Wissel Gelijkenis (hoe groot de sprong is wanneer men naar een nieuwe groep overgaat). Ze trainden vervolgens vijf verschillende soorten computer-"studenten" (classificaties) om te raden of iemand schizofrenie had op basis van deze aanwijzingen.

Hier wordt het verhaal interessant. Het team verwachtte dat de traditionele aanwijzingen, zoals het totale aantal woorden of het aantal wisselingen, de belangrijkste zouden zijn. Na alles wat eerdere studies hadden gesuggereerd. Maar toen ze de computer lieten beslissen welke aanwijzingen er echt toe deden, veranderde de hele dynamiek. De computer negeerde consequent de oude favorieten. In plaats daarvan wees hij een heldere, gloeiende vinger naar de twee nieuwe gelijkenis-aanwijzingen: Gemiddelde Cluster Gelijkenis (ACS) en Gemiddelde Wissel Gelijkenis (ASS).

Sterker nog, de studie vond dat de traditionele maten, zoals de Gemiddelde Cluster Grootte (hoeveel woorden er in een groep zaten) en het Aantal Semantische Wisselingen, zwakke of niet-significante verschillen tussen de groepen vertoonden en weinig bijdroegen aan het vermogen van de computer om hen te onderscheiden. Aan de andere kant waren de op gelijkenis gebaseerde kenmerken de sterren van de show. Terwijl kenmerken zoals de Vloeiendheidsscore en de Gemiddelde Wissel Gelijkenis een zekere "trendmatig potentieel" toonden, was de score van de Gemiddelde Cluster Gelijkenis de absolute uitschieter. De computer kon mensen met schizofrenie met een hoge nauwkeurigheid identificeren met behruik van alleen de Gemiddelde Cluster Gelijkenis score. In verschillende gevallen verbeterde het verwijderen van de oudere, minder effectieve kenmerken zelfs de prestaties van de computer, wat suggereert dat het behouden ervan ruis toevoegde aan het heldere signaal dat door de gelijkenis-maten werd gegeven.

De auteurs suggereren dat dit betekent dat we anders moeten kijken naar hoe we deze tests beoordelen. Het gaat niet alleen om hoeveel woorden je zegt of hoe vaak je van categorie wisselt; het gaat om de kwaliteit van de verbindingen tussen die woorden. Als de woorden die je zegt nauw met elkaar verbonden zijn in betekenis, of als de sprongen die je maakt duidelijk en weloverwogen zijn, dan lijken die patronen de echte sleutel te bevatten tot het begrijpen van de taalverstoringen bij schizofrenie. Hoewel de studie niet beweert de diagnose van schizofrenie te hebben opgelost, suggereert het sterk dat deze nieuwe, op gelijkenis gebaseerde manieren om spraak te meten veel krachtigere instrumenten zijn dan de oude methoden waar we tot nu toe op hebben vertrouwd. Het is alsof je beseft dat je, om een specifiek boek in een rommelige bibliotheek te vinden, niet hoeft te tellen hoeveel boeken er op de plank staan; je moet begrijpen hoe de boeken op de rug georganiseerd zijn.