Когда вы в последний раз садились и читали чью-то кандидатскую диссертацию?

Учитывая, сколько крови, пота и слез идет на эти вещи, мне стыдно признаться, что я прочитал всего несколько.

Однако недавно я наткнулся на диссертацию, которая была так хорошо написана и так хорошо соответствовала моим интересам, что мне показалось, что я наткнулся на научно-популярный бестселлер New York Times, такой как Оливер Сакс или Антонио Демасио. Диссертация написана Томасом Виктором Викки и озаглавлена ​​Вычислительная психиатрия: объединение нескольких уровней анализа для понимания расстройств мозга.

Подобные единороги появляются не так уж часто, поэтому в честь выдающейся работы Викки я предлагаю это краткое введение к его исследованиям, в котором подробно рассматриваются оба метода и более широкое значение, которое его работа имеет для областей психиатрии и вычислительной нейробиологии.

Давайте начнем!

ЧАСТЬ 1: КЛАСТЕРИЗАЦИЯ И КЛАССИФИКАЦИЯ

Чтобы лучше понять, почему это исследование является таким глотком свежего воздуха, необходимо рассмотреть в контексте влияние DSM (диагностического и статистического руководства по психическим расстройствам) на целевые показатели полевых исследований, недостатки которых лучше всего резюмировать в слова автора:

Хотя DSM в первую очередь предназначена для использования клиницистами, она также сыграла важную роль в качестве системы классификации научных исследований с целью проверки диагностических категорий и перевода результатов исследований непосредственно в клиническую практику. Хотя эти исследовательские цели заслуживают похвалы, решения относительно систематической классификации часто больше основываются на восприятии клинической полезности, чем на научных достоинствах. Как следствие, исследовательские программы, основанные на DSM, не смогли дать последовательных, воспроизводимых и конкретных результатов, и широко отмечалось, что валидация категорий DSM была ограничена, что категории DSM не обеспечивали четко определенных фенотипов и что у них ограниченная исследовательская ценность.

Одним из возможных решений этой ловушки DSM является создание многомерных профилей (МП) из серии различных нейропсихологических задач. Вместо того, чтобы объединять пациентов вместе под грубым описанием симптомов, исследователи могут определить нейрокогнитивные фенотипы, которые предоставляют более тонкую линзу для изучения происхождения, стадий развития и реакции на конкретное лечение в рамках значимых тематических кластеров.

Викки приводит отличный пример этого в связи с СДВГ (синдром дефицита внимания с гиперактивностью), цитируя статью, в которой использовались МП для кластеризации пациентов, и обнаружил, что эти кластеры не разделяются чисто на группы пациентов с СДВГ и здоровых контролей (HCs). , а скорее сгруппированы в группы, включающие и то, и другое. Когда к этим кластерам был применен классификатор, их анализ был лучше в прогнозировании субъектов с СДВГ, чем анализ данных в целом. Этот вывод подчеркивает, что мы теряем, когда анализируем данные на уровне симптомов.

ПРИНЯТИЕ РЕШЕНИЙ: ПРИМЕРЫ

Викки приводит конкретные примеры того, как компьютерное моделирование может помочь нам лучше понять психопатологию. Поскольку несколько расстройств мозга влияют на принятие решений, Викки приводит примеры из литературы по болезни Паркинсона (БП) и шизофрении (СЗ), чтобы проиллюстрировать, как вычислительные модели помогли нам углубить наше понимание.

Современные представления о БП определяют это расстройство как «клеточную смерть дофаминергических нейронов среднего мозга в компактной части черной субстанции». Есть несколько видимых симптомов, которые возникают в результате этого перерождения, поскольку оно фундаментально нарушает двигательную систему. Однако влияние PD на познание может привести к классификации PD как «расстройства выбора действия», при котором развитие расстройства можно отслеживать по выполнению учебных задач. Это пример того, как модель, учитывающая поведенческие маркеры, может дополнять существующие модели, отслеживающие физические действия; в этом случае сбои в двигательной системе.

УРОВНИ ВЫЧИСЛИТЕЛЬНОЙ ПСИХИАТРИИ

Когнитивные задачи могут помочь исследователям сосредоточиться на том, что происходит в нашем мозгу, но при этом они подвержены проблеме примесей задачи - задаче, дающей результат, но не измеряющей то, что, как мы думаем, они измеряют. Ограничения традиционной практики подбора вычислительных моделей в психиатрическом контексте простираются от подбора моделей к отдельным субъектам, а также к оценке параметров с помощью агрегированного набора данных от нескольких субъектов. Проблема с первым состоит в том, чтобы скрыть любые потенциальные сходства параметров, а во втором - индивидуальные различия, которые являются фактическими целями исследования. Вот где на помощь может прийти иерархическая байесовская оценка с ее способностью количественно определять неопределенность и повышать чувствительность при оценке параметров.

«Вычислительные модели пытаются деконструировать поведение на его отдельные компоненты и идентифицировать отдельные когнитивные процессы», и в этом заключается их богатство. Даже если будут получены нулевые результаты, я считаю, что сам факт разбиения явлений на более незаметные когнитивные процессы является достижением нейробиологии. Показано, что такие методы кластеризации лучше предсказывают предметные различия, чем совокупные показатели успеваемости. Это плодородная почва для дополнительных исследований.