计算精神病学常见研究范式

计算精神病学领域较常见的三类研究范式总结。

数据驱动 Data-driven method

多判别模型。考察数据结构特点或变量之间的相关性。临床应用常见于诊断分类、治疗方案选择、治疗效果预测、基于症状的疾病分类等。常用模型:LR, SVD, RF, etc.

数据量大且维度高(基因、影像、行为),好的是方便做分类,不好的是维度诅咒过拟合。

理论驱动 Theory-driven method

多生成模型。考察数据的分布和生成过程。用物理和数学等计算模型,从分子、神经环路、行为等层次,定量描述、分析、解释精神和认知异常的机制。三个大类:

  1. 生物物理模型。药物/神经递质/受体etc.如何调控/影响神经环路活动或行为。e.g. 精神分裂,抑制型中间神经元的NMDA受体密度降低,attractor states对输入信号的扰动的敏感性变弱。

  2. 算法模型。强化学习,隐马尔科夫,高斯过程,POMDP,etc.。价值/策略优化且与环境交互的学习过程,如何导致异常行为。e.g. 不受控的环境引起习得性无助;抑郁对奖励价值的敏感性降低;药物成瘾,多用model-free的习惯决策且少用model-based的计划决策。

  3. 贝叶斯模型。针对要优化的问题本身。病理性相关的三种可能:正确地解决了错误的问题(酒瘾者过分关注饮酒);或问题找到了,解决方式错了(借酒消愁);或问题和解决方式都对,但是受限于经验或环境。e.g. 恐惧的消除来自重新学习其无害,而非回避或遗忘。

理论驱动三种范式分别对应Marr框架下认知的信息处理功能的三层:implementation, algorithm, computation. 但没有绝对的分界。

也有研究综合以上两者。理论驱动用来降维数据,再嵌入数据驱动模型。

参考文献

Huys, Quentin JM, Tiago V. Maia, and Michael J. Frank. “Computational psychiatry as a bridge from neuroscience to clinical applications.” Nature neuroscience 19.3 (2016): 404-413.