Fenotipagem computacional em psiquiatria

Prévia do material em texto

Fenotipagem computacional em psiquiatria: um exemplo trabalhado 
 
Abstract 
A psiquiatria computacional é um campo emergente que usa modelos para inferir as 
anormalidades comportamentais e neuronais relacionadas à psicopatologia. 
Se for bem sucedida, essa abordagem promete informações fundamentais sobre a função 
cerebral (patológica). 
O procedimento básico na psiquiatria computacional é construir um modelo computacional 
que formaliza um processo comportamental ou neuronal. 
As respostas de comportamento medido (ou neuronal) são então utilizadas para inferir os 
parâmetros do modelo de um único sujeito ou de um grupo de sujeitos. 
Aqui, fornecemos uma visão geral ilustrativa sobre esse processo, a partir da modelagem do 
comportamento de escolha em uma tarefa específica, simulando dados. 
Nosso exemplo trabalhado usa uma simples tarefa de labirinto de dois passos e um modelo de 
comportamento de escolha baseado em inferências e processos de decisão de Markov. 
As etapas processuais e as rotinas que ilustramos não se restringem a um campo específico de 
pesquisa ou a um modelo computacional particular, mas podem, em princípio, ser aplicados 
em muitos domínios da psiquiatria computacional. 
 
------------------ 
Em um exemplo trabalhado, discutimos os aspectos genéricos de usar um modelo 
computacional para formalizar uma tarefa, simular dados e estimar parâmetros, bem como 
inferir os efeitos grupais entre pacientes e indivíduos com controle saudável. 
 
------------------- 
Introduction 
Motivação: os avanços na neurociência computacional - e a falta de um sistema de 
classificação mecanicista em transtornos mentais motivaram a aplicação de modelos 
computacionais em pesquisa clínica. 
 
Isso levou ao surgimento de um campo de pesquisa chamado psiquiatria computacional. Seu 
objetivo é usar modelos computacionais para tentar descrever o comportamento. 
 
Esse tutorial tem como objetivo caracterizar indivíduos em termos de seus fenótipos 
computacionais, para isso usam o software SPM. 
 
 
O objetivo deste tutorial é descrever algumas rotinas (Matlab) que podem ser usadas para 
analisar o comportamento dos individuos de forma direta e eficiente. 
 
*** Uma visão geral dessas rotinas é fornecida na Figura 1 
*** SPM (Statistical Parametric Mapping) - O pacote de software SPM foi projetado para a 
análise de seqüências de dados de imagens cerebrais. 
 
-------------- 
The formal approach 
Formalmente, essa abordagem baseia-se em modelos: generativos (tanto subjetivos quanto 
objetivos). 
Para o modelo generativo subjetivo, essas observações são resultados experimentais ou pistas 
observadas por um sujeito. 
Para o modelo objetivo, os resultados serão as respostas ou escolhas do sujeito. 
 
DEPOIS DA FORMULA 
A seguir, vamos ilustrar o uso de modelos generativos em fenotipagem computacional e focar 
as etapas cruciais em 
(1) especificando o modelo, 
(2) usando o modelo para simular ou gerar dados, 
(3) inversão do modelo ou ajuste para estimar parâmetros específicos do sujeito, e 
(4) inferência subsequente sobre grupo 
 
Os detalhes da tarefa e do modelo computacional não são de importância central e são 
discutidos em outro lugar (Friston et al., 2015a). 
 
Aqui, o modelo serve para ilustrar os procedimentos típicos nas abordagens computacionais 
da psiquiatria. Quando apropriado, nos referiremos explicitamente às rotinas Matlab que 
implementam cada etapa. 
 
Essas rotinas usam procedimentos (variacionais) para inversão e comparação de modelos 
bayesianos. Eles foram desenvolvidos ao longo de décadas como parte do software SPM, e 
foram aplicados extensivamente na modelagem de neuroimagem e outros dados. 
 
----- 
Para o nosso exemplo trabalhado, usaremos uma tarefa que requer tanto o comportamento 
exploratório (epistêmico) quanto o explorador (Friston et al., 2015a). Em resumo, nesta tarefa, 
um sujeito tem que escolher se deseja amostrar o braço esquerdo ou direito de um labirinto 
em forma de T para obter uma recompensa ou uma sugestão. As recompensas estão no braço, 
enquanto a sugestão está no braço inferior. 
 
Embora isso pareça uma tarefa muito simples, ele captura aspectos interessantes do 
comportamento, tais como o planejamento e exploração (ou seja, movendo-se para o braço 
que provavelmente conterá uma recompensa. 
 
Esses tipos de problemas podem ser modelados como processos de decisão Markov onde as 
probabilidades de transição são determinadas pela ação e estado atuais, mas não pelo 
histórico de estados anteriores 
 
No contexto da inferência ativa, a especificação do modelo gerador para um processo de 
decisão Markov é baseada em três matrizes, chamadas A, B e C. 
 
 
---- 
Mais 
 
O primeiro passo é especificar o modelo (subjetivo) gerador dessa tarefa. Esses tipos de 
problemas podem ser modelados eficientemente como processos de decisão Markov 
parcialmente observáveis, onde as probabilidades de transição são determinadas pela ação e 
estado atuais, mas não pelo histórico de estados anteriores (veja abaixo). 
 
No contexto da inferência ativa, a especificação do modelo gerador para um processo de 
decisão Markov é baseada em três matrizes, chamadas A, B e C. 
 
Estes descrevem o mapeamento de estados ocultos para resultados, as probabilidades de 
transição e as preferências (expectativas) sobre os resultados, respectivamente. 
 
A especificação dessas matrizes depende 
No espaço de estado da tarefa (Fig. 2B). No nosso exemplo, o agente pode estar em um dos 
oito estados ocultos possíveis que são determinados pela localização do agente (meio, inferior, 
braço esquerdo ou braço direito) e contexto (a indicação indica o braço esquerdo ou direito). 
 
Como o nome indica, os estados escondidos geralmente não são totalmente (mas apenas 
parcialmente) observáveis ??e devem ser inferidos com base em observações. 
 
Isso motiva a matriz A, que mapeia de estados escondidos para observações (resultado 
Estados; Isto é, afirma que o sujeito pode observar). Aqui, podemos distinguir sete estados 
observáveis ??diferentes (posição do meio, braço esquerdo recompensado ou não 
recompensado, braço direito recompensado ou não recompensado, localização indicando 
indicar esquerda ou direita; Fig. 2B); Assim, a matriz A é um 7? 8 matriz (Fig. 3A). 
 
A matriz A é responsável por qualquer aspecto parcialmente observável de um processo de 
decisão de Markov, onde este mapeamento se torna uma matriz de identidade se todos os 
estados forem totalmente observáveis ??(ou seja, se não houver incerteza sobre o estado 
oculto que causou uma observação). 
 
Em segundo lugar, a matriz B codifica as probabilidades de transição em um processo de 
decisão (ou seja, a probabilidade de o próximo estado oculto depender do estado oculto atual 
e 
A ação tomada pelo agente; FIG. 3B, ilustração das probabilidades de transição em nossa 
tarefa). 
 
Essas probabilidades de transição são uma característica particular dos processos de decisão 
de Markov, porque eles dependem apenas do estado atual (e da ação), e não dos estados 
anteriores. 
 
Isso é chamado de propriedade de Markov ou "sem memória". Finalmente, é preciso 
especificar as preferências do agente em relação aos estados de resultados 
(Observações), que são codificadas no vetor C. As preferências sobre os resultados são 
expectativas (anteriores), que podem ser baseadas em instruções de tarefas ou, no contexto 
da tomada de decisões econômicas ou reforço de aprendizagem, utilidade ou recompensa (ou 
qualquer combinação destes). 
 
Do ponto de vista da inferência ativa, os estados preferidos (desejados) são os estados emque 
o sujeito espera encontrar-se. Observe que atribuir as preferências de um agente em termos 
de expectativas anteriores não implica que o conceito de recompensa não tenha sentido; Em 
vez disso, a noção de uma recompensa é absorvida pelas expectativas de um agente, que 
orientam suas inferências sobre políticas. Portanto, um assunto ótimo da Bayes irá inferir ou 
selecionar políticas que produzam estados esperados ou preferenciais. 
 
Essa inferência é modelada por atualizações bayesianas que acumulam evidências para 
otimizar as crenças posteriores sobre estados ocultos do mundo e a política atual sendo 
promulgada.