Documente Academic
Documente Profesional
Documente Cultură
Revizuire
Abstract
Acest articol prezintă modul în care un concept de bază din teoriile homeostaziei și ciberneticii , bucla de control inferență, poate
fi utilizat pentru a ghida diagnosticul diferențial în psihiatrie computațională și psihozomatică de calcul. În special, discutăm 1)
modul în care conceptualizarea percepției și acțiunii ca bucle de control al inferenței produce o perspectivă de calcul comună
asupra interacțiunilor creier-lume și creier-corp și 2) modul în care formularea concretă a acestei bucle ca model ierarhic
Bayesian indică o bază de calcul cheie cantități care informează o taxonomie a mecanismelor potențiale ale bolii. Considerăm
utilitatea acestei perspective pentru diagnosticul diferențial în aplicații clinice concrete.
Articolul precedent în problemă
Articolul următor în număr
Cuvinte cheie
Allostasis
Cibernetică
Modelul ierarhic bayesian
homeostazia
deducție
Metacogniție
Eroare de predicție
Psihiatria se confruntă cu provocări majore: nosologia sa este agnostică în privința mecanismelor, îi lipsește valabilitatea
predictivă și duce la tratamentul cu încercări și erori 1 , 2 . În mod surprinzător, progresele neuroștiințifice au afectat cu greu
nosologia sau practica clinică (3) . Un răspuns la această deconectare este psihiatria calculațională, cu accentul său pe aplicațiile
clinice 4 , 5 , 6 , 7 , 8 , 9 , 10 , 11 . O strategie pentru psihiatria computatională este aceea de a învăța din medicina internă, unde
cadre mecanice pentru diagnosticul diferențialpermite deciziile de tratament direcționate pentru pacienții individuali. Important,
diagnosticul diferențial nu necesită mecanisme moleculare. Distincții mult mai grosiere - cauze inflamatorii, infecțioase,
vasculare, neoplastice, autoimunologice sau ereditare ale bolii - pot oferi îndrumări cruciale pentru tratament, întrucât dezvăluie
procese fundamental diferite ale bolii.
Acest articol prezintă un cadru pentru diagnosticul diferențial, care este motivat de o perspectivă computerizată generală
asupra funcției creierului . Deși nu este prima încercare de acest gen 4 , 12 , 13 , 14 , acest articol aduce trei contribuții. În primul
rând, adoptăm un motiv independent de boală - bucla de control a inferenței ca fundament al teoriilor cibernetice 15 , 16 , 17 , 18-
și luați în considerare modul în care acest lucru poate ajuta în sistematizarea perspectivelor de calcul asupra interacțiunilor creier-
lume și creier-corp. În al doilea rând, considerăm o implementare ierarhică bayesiană, care sugerează trei cantități de calcul
posibile (predicții, erori de predicție [PE] și precizia acestora) la cinci loci potențiali de eșec (senzație, percepție, metacogniție ,
previziune, acțiune). În al treilea rând, discutăm despre utilitatea clinică potențială a acestei taxonomii pentru diagnosticul
diferențiat în psihiatrie computațională și psihosomatică [compară 14 , 19 , 20 , 21 ].
Inferența bayesiană
Un concept larg adoptat de percepție este cadrul Bayesian 27 , 28 , 46 , 47 . Aceasta aruncă percepția ca inferență, unde credințele
anterioare despre stările ascunse ale lumii sunt actualizate în lumina datelor senzoriale pentru a da o credință posterioară ( Figura
3A ) 24 , 27 . O idee populară este că această calculare se bazează pe un „model generativ” (ierarhic) al modului în care datele
senzoriale sunt cauzate de stări ascunse ale lumii ( Figura 3A ) 28 , 29 , 48 , 49. Inversarea acestui model sub convingeri despre
probabilitatea a priori a statelor permite deducerea cauzelor senzațiilor.
1. Descărcați: Descărcați imaginea de înaltă rezoluție (434KB)
2. Descărcați: descărcați imaginea în dimensiune completă
Figura 3 . Schema controlului inferenței într-un cadru bayezian. (A) (Panoul superior) Ilustrație a regulii lui Bayes folosind ca exemplu
distribuțiile Gauss. Regula lui Bayes descrie modul în care diferite surse de informații - credințe anterioare (predicții bazate pe un model
de mediu și corpul din interior) și noi date senzoriale (probabilitatea) - sunt combinate pentru a actualiza credința (posterior). Cantitatea de
actualizare a credințelor este proporțională cu eroarea de predicție (PE) - diferența dintre datele prezise (anterioare) și datele reale
(senzoriale) - ponderată printr-un raport de precizie (π, variație inversă) dintre credințele anterioare și intrările senzoriale(probabilitatea),
respectiv. Pur și simplu vorbind, credințele anterioare precise se diminuează și datele senzoriale precise cresc impactul PE asupra
actualizărilor credinței. (Panoul de jos) Ilustrația conceptului de model generativ. Un model generativ inferează stări ascunse ale lumii
(mediu sau corp) prin inversarea unui model probabilistic înainte de la aceste stări în posibile date senzoriale (probabilitate), în condițiile
unor credințe anterioare despre valorile stărilor ascunse. Inversarea unui model generativ corespunde astfel aplicării regulii lui Bayes. În
mod special, cartografierea de la stări la date poate fi interpretată mecanic (de exemplu, modele biofizice de răspunsuri neuronale) sau
descriptivă, cum ar fi fluctuații zgomotoase în jurul unei valori constante sau o funcție periodică (comparați ritmurile circadiene ale
stărilor corporale). (B)Exemplu de buclă de control inferență care este aruncat ca un model Bayesian ierarhic. Această cifră nu este menită
să ofere o descriere detaliată și nici nu pretinde că reprezintă singura dispunere posibilă. Pe scurt, premisa cheie aici este că creierul
reprezintă și actualizează modelele generative („modelul corpului / lumii”), cu credințe structurate ierarhic. O credință la nivel scăzut
despre o stare corporală / de mediu „x” („anterioară”) este afișată separat de restul modelului. Intrările senzoriale așteptate (în
conformitate cu această situație anterioară) pot fi comparate cu senzațiile reale pentru a produce un PE acest PE poate fi trimis în ierarhia
de inferențe și poate actualiza modelul. Trecerea de la percepție la acțiune necesită eliminarea (temporar) a preciziei senzoriale
[vezi 19 , 42pentru detalii]. Acțiunile pot fi apoi implementate în două moduri principale. Controlul homeostatic (reactiv) se desfășoară ca
o funcție directă a PE și servește la îndeplinirea credințelor despre aportul senzorial [așa cum este codat de prior; acest lucru poate fi văzut
ca un set-point probabilistic (19) ]. Controlul alostatic (predictiv) schimbă, în mod prospectiv, acest punct probabilistic spre acțiuni; acest
lucru necesită prezicerea stărilor viitoare în funcție de acțiuni și dinamică corporală / de mediu („prognoză”). În cele din
urmă, metacunoașterea ar putea fi implementată ca un strat suplimentar în modelul care ține (și actualizează) așteptările cu privire la
cantitatea de PE din partea de sus a ierarhiei de inferențe (19) .
Modelele bayesiene explică fenomene în spectrul percepției; de exemplu, modul în care oamenii combină informațiile
multisenzoriale 50 , 51 și modul în care prejudecățile și iluziile rezultă din credințele și experiența anterioară 24 , 30 , 52 , 53 . Un
punct esențial pentru acest articol este faptul că actualizările de credință bayesiene au, pentru majoritatea distribuțiilor de
probabilitate, o formă generică: schimbarea credinței este proporțională cu PE - diferența dintre datele reale (senzoriale) și datele
prezise (în conformitate cu cele anterioare) - ponderată de un raport de precizie (54) . Acesta din urmă este esențial, deoarece
determină influența relativă a datelor anterioare și senzoriale: predicții precise (priors reduc, în timp ce preciseintrările
senzoriale cresc, actualizările credinței) ( figura 3A ). În general, calcule anormale și / sau semnalizare a oricăreia dintre aceste
trei cantități - PE, predicții și precizii - ar putea perturba inferența.
Structura ierarhică a lumii externe sugerează o structură echivalentă (oglindită) a modelului generativ al
creierului 28 , 48 . Anatomic, această idee „ierarhică bayesiană” este susținută de ierarhii structurale din
cortexul 55 , 56 , 57 . HBM-urile populare includ filtrarea ierarhică 54 , 58 și codificarea predictivă 28 , 49. În aceste modele,
fiecare nivel deține o credință (predicție) despre starea nivelului de mai jos (în codificare predictivă) sau rata de modificare a
acestuia (în filtrarea ierarhică). Această predicție este semnalată la nivelul inferior, unde este comparată cu starea reală, rezultând
o PE. Acest PE este trimis înapoi la ierarhie pentru a actualiza predicția - și a reduce astfel viitoarele PE. Din nou, în mod critic,
această actualizare este ponderată printr-un raport de precizie ( figura 3A ): o precizie mai mare a semnalelor de jos în sus (intrări
senzoriale sau PE) sau o precizie mai mică a predicțiilor duce la actualizări de credință mai pronunțate. Neurobiologic, în cortex,
predicțiile sunt probabil semnalate prin intermediul receptorilor N -metil-D-aspartatla conexiunile descendente, și PE-urile sunt
probabil semnalate prin intermediul receptorilor de acid alfa-amino-3-hidroxi-5-metil-4-izoxazol propionic (și eventual receptori
ai N -metil-D-aspartat) la conexiunile ascendente, în timp ce ponderarea de precizie depinde de post-sinaptic câştig; acest lucru
este determinat de neuromodulatoare [de exemplu, dopamină, acetilcolină (59) ] și inhibiție acidergică gamma-aminobutirică
[pentru recenzii, vezi 60 , 61 , 62 , 63 , 64 ].
Într-un context HBM, funcția obiectivă a creierului poate fi văzută ca minimizarea PE-urilor (ca un proxy pentru surprindere),
sub modelul său generativ (65) . În mod special, PE pot fi reduse nu numai prin actualizarea modelului generativ (ca mai sus), ci
și prin schimbarea preciziei canalelor senzoriale (atenție) sau prin acțiuni care îndeplinesc predicții. Acesta din urmă este
„inferență activă” 35 , 42 , 66 , concept în conformitate cu noțiunea cibernetică conform căreia „… sistemele de control
controlează ceea ce simt, nu ceea ce fac” (17) .
În timp ce HBM-urile sunt modele populare de inferență perceptivă, ele pot implementa, de asemenea, prognoză, acțiune și
metacunoaștere; din nou, acest lucru se bazează pe pwPE. Trecerea de la inferență la prognoză și acțiuni necesită „oprirea”
preciziei senzoriale (atenuare senzorială) 66 , 67 , 68 ; acest lucru elimină actualizările de credință, în timp ce PE-urile sunt acum
utilizate ca semnale de simulare sau de acțiune 19 , 36 , 42 .
În timp ce diferite formalisme de prognoză există 34 , 43 , 44 , 69 , tema lor comună este o „simulare înainte” sub un model
dat. Implementările bayesiene ale prognozei includ „planificarea prin inferență” 36 , 70 și inferența pe traiectoriile statelor
(coordonate generalizate) 42 , 71 . O provocare pentru aplicațiile psihiatrice și psihosomatice este faptul că modelul trebuie
adesea să prezică nu numai efectele acțiunilor alese, ci și dinamica intrinsecă a mediului și corpului 36 , 45 .
Revenind la acțiune, HBMs pot implementa atât controlul reactiv, cât și cel prospectiv. Prima apare printr-un arc reflex în partea
de jos a ierarhiei ( figura 3B ). Mai exact, prin înlocuirea valorilor de referință cibernetice clasice cu convingeri despre stări
ascunse care provoacă aporturi senzoriale, controlul reactiv poate fi aruncat ca un reflex în care PE-urile produc acțiuni corective
care reduc la minimum surpriza în privința intrărilor senzoriale 19 , 42 . Important de important, precizia credinței determină
vigoarea acestor acțiuni (19)- o proprietate care permite noi explicații ale fenomenelor psihosomatice și ale efectelor placebo
(vezi mai jos). Controlul potențial poate fi pus în aplicare prin ajustarea dinamică a acestei credințe (de exemplu, media sau
precizia acesteia), în funcție de statele viitoare previzionate 19 , 72 . Aceste predicții ar putea fi semnalate de la niveluri mai
ridicate din HBM care implementează prognoza.
Selecția acțiunilor în HBMs ar putea, în principiu, să continue cu optimizarea oricărei funcții obiective alese, de exemplu, o
funcție de utilitate specifică subiectului (73) . Ne concentrăm pe inferența activă 35 , 42 , 66 ca o propunere specifică. Pur și
simplu vorbind, acest lucru postulează că acțiunile servesc la minimizarea PE-urilor prin schimbarea lumii (a mediului sau a
corpului) pentru a îndeplini așteptarea creierului de aporturile senzoriale. Ne concentrăm pe această idee, deoarece este strâns
legată de cibernetică [de exemplu, teoria controlului perceptiv (17)] și reprezintă o formulare probabilistică a principiului de bază
al homeostaziei - faptul că acțiunile de reglementare reduc la minimum discrepanțele dintre aporturile preconizate și cele
reale. Astfel, oferă o bază pentru modelele formale ale interacțiunilor creier-corp (19) și o punte de legătură către psihosomatici.
În cele din urmă, metacogniția ar putea fi încorporată în HBM-uri printr-un strat suplimentar care să aștepte așteptările cu privire
la nivelul de PE în toată ierarhia de inferențe ( Figura 1 ) (19) . Acest strat influențează performanța buclei de inferență-control în
ansamblu, permițând o reprezentare (și actualizare) a măiestriei sau credințelor autoeficienței.
Psihosomatică de calcul
Medicina psihosomatică este preocupată de boli somatice care sunt cauzate sau influențate de procesele mentale(97), de exemplu,
simptome corporale cauzate de credințe. Exemple clasice pentru influența credințelor asupra stărilor corporale
sunt efectele placebo și nocebo (Figura 2B)84,85,86. În efectele placebo și nocebo, așteptările cu privire la efectele unei reacții
declanșează intervenția care îndeplinesc așteptarea. Este cunoscut faptul că puterea placebo-ului depinde nu numai de
convingerile despre amplitudinea efectului, ci și de precizia acestei credințe(85). Cadrul nostru oferă o explicație formală pentru
acest fenomen empiric, deoarece în implementările HBM ale controlului homeostatic, vigoarea acțiunilor care îndeplinesc
credința depinde de precizia credințelor (19) .
Tratamentele computationale ale tulburărilor psihosomatice sunt rare [dar vezi 98 , 99 ]. Acest lucru se poate datora lipsei
(percepute) de un cadru cuprinzător care formalizează interocepția și controlul homeostatic / alostatic și le face măsurabile la
pacienții individuali. În secțiunea următoare, analizăm o problemă concretă a diagnosticului diferențial și descriem cum grila
conceptuală descrisă mai sus poate ghida căutarea locusului anomaliilor primare (inițiale).
Psihiatrie computationala
Perspectivele Bayesiene ale tulburărilor de control al inferenței apar frecvent în conceptele de calcul ale
depresiei 19 , 87 , autism 20 , 114 , 115 , 116 , 117 , schizofrenie 12 , 21 , 60 , 61 , 118 , 119 și
anxietate 58 , 120 , 121 . Discutăm pe scurt o aplicare a acestui cadru pentru a distinge mecanismele bolii în tulburarea spectrului
de autism (TSA).
Exemplu: ASD
Teoriile bayesiene ierarhice ale ASD revizuiesc observații de lungă durată a anomaliilor perceptive la pacienți, inclusiv
prelucrarea excesivă a detaliilor irelevante și dificultăți concomitente de abstractizare. Ele sugerează două explicații
concurente 114 , 115 , 116 , 117 : inputuri senzoriale de o precizie copleșitoare sau credințe de ordin superior care sunt prea
imprecise pentru a oferi predicții generalizabile. În ambele cazuri, un copil cu TSA ar experimenta neîncetat PE mari în timpul
percepției (a se vedea ecuația din figura 3A ). Simptome tipice, cum ar fi comportamentele repetitiveși evitarea situațiilor
complexe și volatile (de exemplu, interacțiuni sociale), pot fi apoi interpretate ca mecanisme de copiere pentru a reduce PE (a se
vedea (20) pentru discuții).
În plus, indivizii cu ASD prezintă diferite tulburări interoceptive 122 , 123 care pot rezulta în mod egal dintr-o creștere a preciziei
senzoriale din viscere sau o eșec a atenuării acesteia (7) . Ponderarea viscerosenzorială de precizie a fost legată
de oxitocină ; tulburările asociate în timpul dezvoltării ar putea compromite construcția de modele generative care se atribuie sine
față de alte agenții experiențelor interceptive 7 , 124 .
Explicațiile concurente de înaltă senzorială sau precizie de convingere scăzută (116) ar putea fi deambiguate prin experimente
psihofizice în combinație cu modelele de percepție bayesiene. Acestea au fost folosite anterior pentru a evalua procesarea
senzorială individuală 50 , 125 , 126 la voluntari sănătoși, așa cum au fost modelele de circuite bazate pe electroencefalografie de
ponderare de precizie în cortexul auditiv (127) . Aceste modele ar putea fi utilizate în ASD pentru a detecta (sub) grupuri cu
estimări de precizie exagerate ale intrărilor senzoriale și, respectiv, predicții insuficient precise (20) .
Provocări și oportunități
Evaluarea anatomiei computaționale a disfuncțiilor de circuit urmează principii ale gândirii homeostatice, așa cum este obișnuit
în medicină, și deține un potențial de diagnostic mare. Cu toate acestea, traducerea clinică se confruntă cu provocări non-private,
în special în aplicarea psihosomaticelor.
Cadrul HBM sugerează pwPE-urile ca o cantitate de calcul centrală pentru inferență, prognoză, acțiune și metacogniție. Această
viziune generalizatoare are pro și contra. Pe de o parte, sugerează o grilă conceptuală pentru diagnosticul diferențial și implică
faptul că diferențierea în calcul a anomaliilor pwPE ar putea găsi o aplicație largă de diagnostic. Pe de altă parte, s-ar putea să ne
îngrijoreze faptul că portretul cortexului este o „mașină Bayesiană ierarhic nespecifică” (așa cum a spus unul dintre recenzorii
noștri) fără specificitate neuroanatomică. Nu dorim să transmitem această impresie. Problemele de inferență cu care se confruntă
creierul variază, de exemplu, în funcție de canalele senzoriale implicate și de profunzimea cuplării ierarhice dintre stările de
mediu. Diferite sarcini necesită diferite tipuri de modele generative (reprezentate cortical) și astfel circuite distincte; comparați
circuitele propuse pentru interocepție / alostază 19 , 87și controlul vizual / oculomotor 42 , 72 . În mod empiric, în sarcinile care
utilizează aceeași modalitate senzorială, dar care necesită inferență asupra unor cantități sociale concrete versus abstracte, pwPE-
urile au fost reflectate prin activitate în circuite parțial suprapuse și parțial distincte 75 , 135 .
În plus, nu susținem că cadrul prezentat acoperă toate fenomenele psihiatrice și psihosomatice existente. Nu toate simptomele se
referă la percepție, previziune, acțiune sau metacunoaștere ca componente de bază ale cadrului nostru. Cu toate acestea, acolo
unde există această relație, cadrul nostru poate oferi îndrumări utile în stabilirea schemelor analogice de diagnosticare diferențială
în psihiatrie computațională și psihozomatică de calcul. Combinat cu modele care pot deduce semnalizarea pwPE în ierarhiile
corticale din datele neuroimagistice sau electrofiziologice ( supliment), acest lucru ar putea permite citirea noninvazivă a funcției
circuitului care poate susține diferențierea lociurilor potențiale. Promisiunea și limitările acestei abordări necesită studii potențiale
ale pacienților care evaluează validitatea sa predictivă.
Mulțumiri și dezvăluiri
Această lucrare a fost sustinuta de Fundatia René si Susanne Braginsky (KES), Universitatea din Zurich (FHP, KES), Deutsche
Forschungsgemeinschaft Grant nr TR-SFB 134 (KES), și Universitatea din Zurich Clinical Research programe prioritare
de scleroza multipla si moleculara Imaging Rețea Zurich (KES).
Autorii nu raportează interese financiare biomedicale sau potențiale conflicte de interese.