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

Technische Samenvatting: Precisie-gewogen updating vertoont cross-task consistentie als een begrensde computationele marker wanneer de precisiewinst voldoende groot is

Probleemstelling
Computationele psychiatrie streeft ernaar om syndromale labels te vervangen door generatieve parameters (bijv. leersnelheden, precisiegewichten) die dienen als transdiagnostische markers of endofenotypes. Er bestaat echter een kritieke spanning: parameters die binnen een specifieke experimentele taak worden geschat, worden vaak behandeld als portabele eigenschappen, maar zij kunnen "taakgebonden regressiegewichten" zijn in plaats van stabiele biologische grootheden. Het artikel onderzoekt of een specifieke precisie-wegingscoëfficiënt ($\gamma$) binnen het CPSP-8-model (een drielaags dreigings-dissociatiekader) generaliseert over verschillende risicovol gedragstaken (Balloon Analogue Risk Task [BART] en Columbia Card Task [CCTHot]) en een gedragsprobe, of dat het slechts een artefact is van de specifieke taakgrafiek. De studie onderzoekt specifiek de identificeerbaarheid en cross-task consistentie van $\gamma$ vergeleken met andere beslissingsparameters (dreiging, baseline, initiële leersnelheid $\alpha_0$, inverse temperatuur $\beta$, waardewinst $v_{gain}$) en de theoretische Ornstein-Uhlenbeck (OU) dreigingslaag.

Methodologie
De studie maakte gebruik van secundaire analyse van gede-identificeerde data uit drie OpenNeuro-datasets:

1. D1 (BART): $N=173$ (124 controles, 49 schizophrenia) uit ds000030.
2. D5 (CCTHot): $N=104$ uit ds004636.
3. D2 (HierPrior): $N=43$ uit ds008083, die een gedragsprobe voor $\gamma$ bood.

Modelarchitectuur:
De auteur hanteerde CPSP-8, een model bestaande uit:

• Laag 1 (Theoretisch): Een continu-tijd Ornstein-Uhlenbeck (OU) proces voor de latente dreigingstoestand ($z_t$) en een dissociatie-drift. Deze parameters ($\theta, \sigma_{ou}, \kappa, \lambda, onset$) werden bevroren op groepsgemiddelden afgeleid van eerdere herstel-simulaties (waarbij $\theta$ herstel $r < 0.3$ was) om te voorkomen dat onidentificeerbare dynamiek als patiëntspecifieke eigenschappen wordt genarreerd.
• Laag 2 (Beslissing): Een precisie-gestuurde delta-regel. De leersnelheid $\alpha_t$ wordt gemoduleerd door een precisie-wegingscoëfficiënt $\gamma$ gebaseerd op gekwadrateerde voorspellingsfouten ($PE_t^2$) relatief aan de Bernoulli-onzekerheid.
• Laag 3: RT-modellering via een log-normale benadering van een Wald-proces.

Analytische procedure:
De kernanalyse gebruikte Hierarchical Transfer Cross-Validation (HTCV), gepre-geregistreerd voordat de resultaten werden bekeken. In tegen tegenstelling tot standaard leave-one-subject-out CV, test HTCV de uitwisselbaarheid van groepsniveau posterieure gemiddelden over taken heen.

• Consistentiecriterium: Een parameter wordt als consistent over taken beschouwd als de 95% Highest Density Interval (HDI) van het verschil tussen taakgemiddelden ($\Delta = \mu_{TaskA} - \mu_{TaskB}$) nul bevat.
• Hypothesen:
  • H1: Alle niet-$\gamma$ beslissingsparameters zijn consistent over BART en CCT.
  • H2: $\gamma$ is consistent over BART, CCT en de HierPrior-probe.
  • H3: De OU-laag is ontestbaar onder de bevriezing.
  • H4: CPSP-8 is niet slechter dan dedicated modellen (Random Walk, Logistische Regressie, DDM, vereenvoudigde HGF-2) op keuze en RT.
• Post-Review Diagnostiek: Inclusief ROPE (Region of Practical Equivalence) checks, een conjunctieve MAP+SE sensitiviteitsgrid (36 variaties van priors en pooling), WAIC/LOO-IC modelvergelijking, en demografische propensity score weighting (IPW).
• Identificeerbaarheidschecks: Virtuele-subject simulaties (D1d, D1e) testten parameterherstel ($r$) en familie-scheidbaarheid (Bayes Factoren) tussen het precisie-gestuurde model en een Random Walk (RW) limiet ($\gamma=0$).

Belangrijkste Resultaten

1. H1 Faalde (Taak-specificiteit): Alle niet-$\gamma$ beslissingsparameters ($\text{dreiging}, \text{baseline}, \alpha_0, \beta, v_{gain}$) vertoonden significante verschillen tussen BART en CCT (95% HDIs sloten nul uit). Bijvoorbeeld, $\beta$ (inverse temperatuur) was 1.769 in BART versus 0.001 in CCT. De auteur interpreteert dit niet als een fitting-fout, maar als bewijs dat deze parameters fungeren als "mode switches" die zich aanpassen aan specifieke taakstructuren (bijv. verborgen gevaar versus expliciete waarschijnlijkheden).
2. H2 Voorwaardelijk Ondersteund (Pipeline-gevoelige Consistentie): Onder de gepre-geregistreerde NUTS HDI-regel was de precisie-wegingscoëfficiënt $\gamma$ de enige parameter waarbij de 95% HDI van het verschil tussen BART en CCT nul bevatte ($\Delta = 0.3835$, HDI $[-0.0084, 0.7826]$). Deze consistentie hield stand over alle drie de contrasten (BART-CCT, BART-EEG, CCT-EEG) onder deze specifieke regel.
   • Kritieke Beperkingen: Het artikel stelt expliciet dat dit resultaat niet robuust is over pipelines. De consistentie faalt op een conjunctieve MAP+SE grid (0/36 cellen bevatten nul), is geen ROPE-equivalentie (HDI overlapt maar is niet opgenomen in ROPE), en WAIC/LOO gaf de voorkeur aan taakspecifieke $\gamma$-modellen over een gedeelde-$\gamma$ model ($\Delta$WAIC = 146.6). Bijgevolg wordt $\gamma$ beschreven als een "begrensde, pipeline-gevoelige cross-task scalaire" in plaats van een stabiele marker.
3. H3 Bevestigd (Onidentificeerbare OU): De OU-laag parameters bleven bevroren omdat virtuele-subject herstel-simulaties Pearson correlaties $r < 0.3$ lieten zien voor $\theta$, waardoor ze onidentificeerbaar waren in deze taken.
4. H4 Faalde (Predictieve Prestatie): CPSP-8 presteerde niet beter dan dedicated modellen. Random Walk (RW) en Logistische Regressie presteerden beter op keuze RMSE; DDM presteerde beter op RT RMSE.
5. Identificeerbaarheid en Scheidbaarheid:
   • $\gamma$ was herstelbaar op individueel niveau met 960 trials (mediaan $r \approx 0.66$).
   • Familie-scheidbaarheid: Het model kon het precisie-gestuurde mechanisme onderscheiden van een Random Walk ($\gamma=0$) alleen wanneer de ware $\gamma$ voldoende groot was. Scheidbaarheid werd bereikt bij $\gamma \ge 1.0$ met $\ge 960$ trials (of $\gamma \ge 1.5$ met 480 trials). Bij $\gamma \le 0.5$ of $\gamma=0$, was het model familie-ononderscheidbaar van RW (Bayes Factoren nabij 1).

Betekenis en Claims
Het artikel claimt een bescheiden, begrensde bijdrage aan de computationele psychiatrie:

• $\gamma$ is een Begrensde Scalaire, Geen Biomarker: De precisie-wegingscoëfficiënt $\gamma$ vertoont cross-task consistentie alleen onder specifieke condities (voldoende grote winst, voldoende aantal trials, en een specifieke NUTS fitting pipeline). Het faalt in robuustheidscontroles (conjunctieve grid, WAIC) en is geen diagnostische biomarker voor schizophrenia (omdat $\gamma$ niet verschilde per diagnose in de BART-steekproef; $\beta$ deed dat wel, maar $\beta$ faalde in cross-task consistentie).
• Mechanisme versus Architectuur: Het falen van H1 geeft aan dat veel beslissingsparameters context-afhankelijk zijn. Het voorwaardelijke succes van H2 suggereert dat precisie-weging een kandidaat is voor een computationeel endofenotype alleen wanneer de "precisiewinst" groot genoeg is om onderscheidbaar te zijn van een eenvoudige leersnelheid en de fitting pipeline vaststaat.
• Eerlijkheidsrestricties: De auteur benadrukt dat het bevriezen van de OU-laag en het erkennen van het onvermogen om $\gamma$ van RW te scheiden bij lage waarden "eerlijkheidsrestricties" zijn. Zij argumenteren tegen het narren van ongeïdentificeerde dynamiek als patiëntspecifieke eigenschappen.
• Methodologische Rigor: De studie versterkt de noodzaak van hiërarchische transfer validatie en parameterherstelcontroles, waarbij wordt aangetoond dat een parameter consistent kan lijken over taken onder een Bayesiaanse HDI-regel, terwijl deze faalt in andere robuustheidscontroles (ROPE, conjunctieve grid, WAIC), wat de pipeline-gevoeligheid van computationele fenomenen onderstreept.

Concluderend stelt het artikel dat hoewel precisie-gewogen updating ($\gamma$) veelbelovend is als een cross-task computationele marker, de bruikbaarheid ervan strikt begrensd is door de omvang van de winst, het aantal trials en de fitting pipeline. Het moet niet worden geïnterpreteerd als een definitief klinisch diagnostisch instrument of een erfelijk endofenotype zonder verdere validatie via neurale ankers en familiale designs.