综述：理论驱动的计算精神病学及其挑战：一种乐观的展望

《Neuroscience & Biobehavioral Reviews》：Theory-Driven Computational Psychiatry and Its Challenges: An Optimistic Outlook

　　

计算精神病学运用模型来理解精神健康的机制。该领域桥接了神经科学、心理学和计算建模方法。提供了一个用于诊断和治疗精神障碍的定量框架。模型选择等挑战是可解决的，并非领域特有问题。乐观展望：阐明挑战能够促进科学进步。精神障碍是现代医学中最重大的挑战之一，影响着全球数百万人的生活。尽管临床实践取得了进展，精神病学领域仍在努力理解这些障碍背后的生物学和认知机制，导致许多障碍难以治疗。精神病学依赖于描述性的、以症状为导向的诊断系统，如DSM-5和ICD-11，这些系统虽然实用，但对驱动精神疾病的复杂过程提供的见解有限。计算精神病学作为一个日益发展的跨学科领域，试图通过应用数学和计算工具来建模精神病学状况的神经和认知基础，以解决这些局限性。这种方法为揭示机制性描述提供了一条途径，可能改变我们对精神障碍的概念化、诊断和治疗。本综述借鉴科学哲学中的类比，审视计算精神病学中的挑战与机遇。计算模型融入精神病学研究并非全新事物，但直到过去十年，计算精神病学才作为一门独立学科出现，拥有专门的会议、专业期刊和迅速扩展的文献。这种转变反映了计算神经科学、机器学习和人工智能的广泛成熟，这些学科为精神过程的精确量化提供了必要的方法学工具。传统的精神病学方法——基于自我报告、临床观察和行为观察——主要是描述性的，对精神障碍潜在机制的见解有限。这种理解的缺乏目前对现有治疗、针对研究和干预目标人群的识别、预后能力以及社会支持造成了根本性限制，并伴随着持续存在的污名化。计算方法通过使研究人员能够就驱动这些状况的特定认知过程提出形式化假设，从而解决了这一局限性。重要的是，这些模型承认相似的症状可能源于不同的机制，并且相同的机制在不同的情境下可能产生不同的症状。计算精神病学中的模型可以帮助解决精神病学中的基础性问题，例如将多种因果途径如何汇聚于相似的临床症状进行形式化。因此，从描述性框架向机制性解释的转变有望提供更精确、个体化的治疗，具有更强的诊断和预后能力。计算精神病学采用两种互补的方法论方法来实现其目标：数据驱动方法，使用统计建模和机器学习来发现大型数据集中的潜在模式；以及理论驱动模型，模拟被认为在精神障碍中受损的特定认知和神经过程。虽然数据驱动方法旨在通过识别相关性和预测标记来提高诊断精确度，但理论驱动模型侧重于解释认知和神经机制中的特定功能障碍如何产生症状。这些模型在算法层面运作，指定了被认为支撑与成瘾、抑郁和精神分裂症等障碍相关行为的加工和计算。本综述关注理论驱动（生成）模型公式，因为它们提供了一种生物学上合理的方式，将自我报告的症状或可观察的体征与假设的障碍联系起来。例如，强化学习模型揭示了抑郁和成瘾中异常的奖赏加工，而主动推断模型为认知行为疗法治疗恐惧症的机制提供了见解，表明治疗成功与否取决于恐惧症背后的机制。通过在计算机中模拟这些过程并使用患者数据进行验证，这些模型弥合了神经生物学与临床表现之间的差距，使研究人员能够生成关于行为和大脑活动的可检验预测。然而，在精神病学中应用理论驱动模型存在重大挑战。本综述探讨了理论驱动计算精神病学中的一些挑战。讨论的主要挑战集中在：i）选择最能解释潜在认知或神经过程的模型，ii）识别能够准确再现特定症状的参数，以及iii）以无偏见且与临床相关的方式解释计算输出。本文强调了计算精神病学的优势和益处，但也倡导更多地意识到必须应对的挑战，以实现其潜力。聚焦于生成模型，我们阐述了计算建模工作流程，然后解释了挑战，并指出了建设性和具体的应对方法；我们始终考虑这些挑战如何特别出现在精神病学中，并具体用与精神病学相关的研究进行说明。我们认为，这些挑战以及应对它们的一般方法并非计算领域所特有，因为它们在很大程度上反映了科学哲学中众所周知的辩论，广泛适用于各个科学领域。这一视角培养了对计算精神病学的乐观态度，有助于精确定位应对挑战的特定计算资源，并指出了我们应对能力的局限性。我们讨论了我们的方法如何有助于重新构想计算精神病学的抱负。最后，我们得出结论，当挑战被承认并将应对措施纳入科学实践时，计算精神病学拥有实现其潜力的资源。

1. 1.
   引言
   精神障碍是现代医学中最重大的挑战之一，影响着全球数百万人的生活。尽管临床实践取得了进展，精神病学领域仍在努力理解这些障碍背后的生物学和认知机制，导致许多障碍难以治疗。精神病学依赖于描述性的、以症状为导向的诊断系统，如DSM-5和ICD-11，这些系统虽然实用，但对驱动精神疾病的复杂过程提供的见解有限。计算精神病学作为一个日益发展的跨学科领域，试图通过应用数学和计算工具来建模精神病学状况的神经和认知基础，以解决这些局限性。这种方法为揭示机制性描述提供了一条途径，可能改变我们对精神障碍的概念化、诊断和治疗。本综述借鉴科学哲学中的类比，审视计算精神病学中的挑战与机遇。计算模型融入精神病学研究并非全新事物，但直到过去十年，计算精神病学才作为一门独立学科出现，拥有专门的会议、专业期刊和迅速扩展的文献。这种转变反映了计算神经科学、机器学习和人工智能的广泛成熟，这些学科为精神过程的精确量化提供了必要的方法学工具。传统的精神病学方法——基于自我报告、临床观察和行为观察——主要是描述性的，对精神障碍潜在机制的见解有限。这种理解的缺乏目前对现有治疗、针对研究和干预目标人群的识别、预后能力以及社会支持造成了根本性限制，并伴随着持续存在的污名化。计算方法通过使研究人员能够就驱动这些状况的特定认知过程提出形式化假设，从而解决了这一局限性。重要的是，这些模型承认相似的症状可能源于不同的机制，并且相同的机制在不同的情境下可能产生不同的症状。计算精神病学中的模型可以帮助解决精神病学中的基础性问题，例如将多种因果途径如何汇聚于相似的临床症状进行形式化。因此，从描述性框架向机制性解释的转变有望提供更精确、个体化的治疗，具有更强的诊断和预后能力。计算精神病学采用两种互补的方法论方法来实现其目标：数据驱动方法，使用统计建模和机器学习来发现大型数据集中的潜在模式；以及理论驱动模型，模拟被认为在精神障碍中受损的特定认知和神经过程。虽然数据驱动方法旨在通过识别相关性和预测标记来提高诊断精确度，但理论驱动模型侧重于解释认知和神经机制中的特定功能障碍如何产生症状。这些模型在算法层面运作，指定了被认为支撑与成瘾、抑郁和精神分裂症等障碍相关行为的加工和计算。本综述关注理论驱动（生成）模型公式，因为它们提供了一种生物学上合理的方式，将自我报告的症状或可观察的体征与假设的障碍联系起来。例如，强化学习（Reinforcement Learning, RL）模型揭示了抑郁和成瘾中异常的奖赏加工，而主动推断（Active Inference）模型为认知行为疗法（Cognitive Behavioral Therapy, CBT）治疗恐惧症的机制提供了见解，表明治疗成功与否取决于恐惧症背后的机制。通过在计算机中模拟这些过程并使用患者数据进行验证，这些模型弥合了神经生物学与临床表现之间的差距，使研究人员能够生成关于行为和大脑活动的可检验预测。然而，在精神病学中应用理论驱动模型存在重大挑战。本综述探讨了理论驱动计算精神病学中的一些挑战。讨论的主要挑战集中在：i）选择最能解释潜在认知或神经过程的模型，ii）识别能够准确再现特定症状的参数，以及iii）以无偏见且与临床相关的方式解释计算输出。本文强调了计算精神病学的优势和益处，但也倡导更多地意识到必须应对的挑战，以实现其潜力。聚焦于生成模型，研究人员阐述了计算建模工作流程，然后解释了挑战，并指出了建设性和具体的应对方法；始终考虑这些挑战如何特别出现在精神病学中，并具体用与精神病学相关的研究进行说明。研究人员认为，这些挑战以及应对它们的一般方法并非计算领域所特有，因为它们在很大程度上反映了科学哲学中众所周知的辩论，广泛适用于各个科学领域。这一视角培养了对计算精神病学乐观的态度，有助于精确定位应对挑战的特定计算资源，并指出了应对能力的局限性。研究人员讨论了该方法如何有助于重新构想计算精神病学的抱负。最后，得出结论：当挑战被承认并将应对措施纳入科学实践时，计算精神病学拥有实现其潜力的资源。

1.1 计算精神病学中的生成模型

生成模型（Generative Models）是计算精神病学中的数学框架，旨在捕捉感知、情绪、记忆过程、语言和行为中功能障碍背后的认知和神经过程。这些模型旨在识别患者如何创建其对世界的内部（生成）模型（例如，注意机制），以及这些过程如何导致特定症状。通过形式化这些模型，可以深入了解可能在精神障碍中受损的信息加工机制。生成模型的关键优势在于它们能够模拟产生可观察行为和主观症状的认知过程——假设该模型是患者生成模型的抽象。例如，一个生成模型可以形式化抑郁症患者如何更新他们对积极结果可能性的信念，可能揭示并量化对消极期望的偏向。这些模型是“生成”的，因为它们可以在各种条件下生成对行为的预测。通过操纵模型参数（例如参数α和β），可以模拟不同的认知状态，并用于预测它们在行为中的表现。这使得能够以精确的、定量的方式检验关于精神症状潜在原因的假设。此外，生成模型可以与神经机制联系起来，提供了一种将症状与潜在大脑功能连接起来的方法。生成模型允许基于完备类定理（complete class theorem）理解行为，该定理对精神障碍的概念化具有启示。简而言之，完备类定理指出，对于任何一对损失函数和观察到的行为或选择，都存在一些先验信念使该行为成为贝叶斯最优的。这意味着总存在对行为的某种唯一解释，即主体的先验信念，并且可以通过对可观察反应的信念更新过程建模来访问这些先验信念。基于主动推断和分层高斯滤波器（Hierarchical Gaussian Filter, HGF）的模型因此允许根据患者（通常是亚个人层面的）先验信念进行表型分析。将可观察的神经或行为反应建模为信念更新或推断过程的效用意味着，还可以将异常信念更新（即错误推断）的病理生理学与可以用贝叶斯信念表达的精神病理联系起来。

1.2 行为的不同生成模型

生成模型是处理两类信息的统计模型：可直接观察的事物（如行为，通常形式化为某个观察y）和无法直接观察的事物（如信念，通常形式化为某个隐藏状态z）。模型然后尝试推断结果（即来自感知的信息）和信念之间的关系。模型可以形式化为y和z上的联合概率分布：p(y,z) = p(z|y)p(y)。本质上，它询问：“如果我得到这个结果，可能是什么原因造成的？”。生成模型存在许多计算建模框架，表1提供了几个示例，展示了这些框架如何应用于计算精神病学。这不是一个详尽的列表，研究人员保持框架不可知论，因为关注的是跨框架应用于生成模型的方法。

1.3 如何在计算精神病学中使用这些模型？

这里，研究人员简要概述了在理论驱动计算精神病学中使用计算模型所涉及的步骤。重要的是，无论使用哪种具体的建模方法，核心科学过程在不同方法之间是一致的。

1.3.1 模型公式化

首先，形式化生成模型。这需要识别所研究的机制并确定这些机制的适当计算对应物（即特定的模型参数）。这基于关于感兴趣的精神障碍的现有文献和支撑生成模型的理论框架。重要的是，这涉及比较多个框架，允许评估对感兴趣机制的最佳解释。不同框架的属性突出了每种框架最适合的机制和研究问题类型。例如，强化学习非常适合建模奖赏学习，分层高斯滤波器适用于连续信念更新，主动推断非常适合建模关于不确定性和动作选择的信念，试图捕捉患者的生活体验。对于旨在临床应用的模型，出现了关于模型最终将用于何种数据的额外考虑层。设计用于处理经验数据的模型需要仔细规划要收集的行为或神经生理学数据类型，以及与数据选择相关的偏差风险。例如，从患者亚群中选择数据可能导致模型的泛化能力有限，如果这些模型应用于模型公式化过程中被忽视的人群数据，可能会产生临床后果。离散数据和连续数据之间的区别在这里至关重要；连续数据（如眼动追踪指标）与离散数据（如双臂赌博任务中的二元反应）相比，带来了不同的实施挑战。最后，定义多个生成模型对于实现模型比较至关重要。这个过程对于控制模型结构中的偏差和潜在的理论假设非常重要。模型拟合和比较是计算精神病学科学过程的核心组成部分，因为它们允许评估不同模型在解释数据方面的相对性能，以检验不同的假设。这需要一个定义良好的模型空间——包含多个竞争模型——经验数据可以针对其进行测试。因此，公式化生成模型应最终在临床环境中的应用所告知。因此，模型公式化的初始步骤与模型应用的最终目标密不可分，这对行为测试的选择和其他关键设计因素具有启示。

1.3.2 模型模拟、验证和恢复

第二步是为所考虑的生成模型提供表面效度。给定特定的模型参数化，这是通过模拟行为数据或神经生物学反应（如事件相关电位（Event-Related Potentials, ERPs））来实现的。通过模拟这些反应，可以评估模型是否准确捕捉了它们旨在解释的行为或神经过程的关键动态。这可能涉及检验生成模型中关于参数的不同假设，以查看哪个产生了感兴趣的行为。例如，Bedder等人使用基于模型的强化学习与部分可观察马尔可夫决策过程（Partially Observable Markov Decision Process, POMDP）来建模反刍，其中反刍被建模为在选择策略之前需要采样更多证据。模拟表明，当负面结果的大小较大时、当世界的负面状态更可能时，或者当样本中的变异性比预期更大时，智能体可能会反刍，并且在某些环境中这是一种适应性机制。这种方法展示了单一症状（反刍）如何源于三种不同的机制，这在精神病学基础概念问题的背景下是有用的，因为通常多个分析层次会汇聚在相似的临床表现上。模拟数据还可以展示生成模型在经验文献中使用的行为测试中的表现，以表明生成模型是否可以复制先前的行为和神经生物学发现。使用模拟数据，可以评估模型参数空间的可恢复性。这很有用，因为它允许评估从模型估计的参数是否可区分。可恢复性在模拟阶段和数据收集阶段都进行。对于模拟阶段，通过用已知参数值模拟数据，可以检查当给定相同的模拟数据反演模型时，是否可以准确恢复这些相同的参数。如果参数可以可靠地恢复，则表明模型提供了对潜在机制的有效见解。相反，较差的可恢复性表明不同的参数值可能产生相似的行为或神经生物学结果，降低了模型的解释力。因此，使用模拟数据广泛验证建模方法有助于改进数据收集过程，节省资源和时间。

1.3.3 数据收集和模型拟合

在模型模拟了感兴趣的结果数据并创建了有前景的生成模型以理解精神障碍机制后，可以收集数据并拟合生成模型。根据模型，可以收集行为或神经生理学数据。通过模型拟合，研究人员旨在评估什么参数估计最好地解释参与者或动物的行为或神经生物学。拟合多个生成模型（模型空间，例如(m₁, m₂, m₃)，其中m_n是模型空间中的唯一模型），具有不同的参数（参数空间，例如(α,β,γ)，其中α,β和γ是参数空间中的唯一参数），以查看哪个模型具有最大的证据。

1.3.4 模型可恢复性和解释

一旦生成模型被拟合，再次进行模型可恢复性。为了恢复参数，使用从拟合模型估计的参数模拟行为数据。然后将模型拟合到模拟的行为数据以估计模拟数据集的参数，然后分析模拟数据集和原始数据集的参数以查看它们是否相关。参数之间的高相关性表明可恢复性良好，估计的参数很好地拟合了生成模型的感兴趣机制。参数之间的低相关性表明可恢复性差，一系列参数值会产生相同的行为。即使在基于证据的模型比较中恢复了参数，也不意味着该参数值可以被视为“真实”。这是因为，给定使用特定参数集生成的一些数据，总是存在一个使用具有更大模型证据的参数化的更简单解释。这意味着，尽管在最大化边际似然或模型证据的意义上总是存在最佳解释，但没有真实的参数。随后，研究人员将讨论“最佳中的坏批次”问题中的指向真理的概念。拟合后模型评估（如后验预测检查）可以在此阶段进行，以进一步验证模型是否为感兴趣的机制提供了良好的拟合。证据或模型的质量决定了其泛化到新数据的能力。在某些情况下，无法解析或数值评估证据（例如，当使用采样时）。在这些情况下，可以使用后验预测准确性作为模型证据的代理，当使用大量新数据或留出数据时，两者会收敛。估计模型证据的常用示例包括广泛使用的贝叶斯信息准则（Bayesian Information Criterion, BIC）。如果模型具有良好的模型证据和质量良好的拟合后模型评估结果，则可以解释结果。这涉及考虑什么参数估计导致什么行为。解释结果应发展对生成模型告诉我们的关于精神障碍机制的理解；如果实现这一点，那么模型可能对临床环境有用。这个最终的临床应用步骤将能够告知返回到指定生成模型空间的第一步以及科学过程的后续步骤。这是科学过程的动态性质，并非计算建模所特有，先前研究的结果会为进一步的工作和实验设计提供信息。计算模型的临床应用可能包括使用模型来区分患者障碍背后的不同机制。例如，Bustamante等人使用努力觅食任务发现，重度抑郁症（Major Depressive Disorder, MDD）患者如果有更多的焦虑症状，愿意付出更多的认知努力，但如果快感缺乏症状更严重，则付出更少的身体努力。努力觅食任务的建模结果可用于理解和治疗MDD的异质性。应用还可以帮助告知什么干预措施最好地治疗患者。例如，Kulkarni等人提出了一个用于行为成瘾中渴求的贝叶斯推断框架，该框架建议 abstinence 应辅以减少信念“我必须赌博才能感觉良好”的确定性的干预措施，其中减少这种信念有助于禁止该行动。

1. 2.
   计算精神病学中生成模型的挑战
   理论驱动的生成模型在计算精神病学中面临着几个关键挑战，这些挑战源于精神过程的复杂性和可用数据的局限性。本节考察与模型空间、模型参数和模型输出相关的问题。这些挑战并非精神病学所特有，而是一般建模方法所共有，但由于其对临床实践的影响，在该领域具有特殊意义。

2.1 模型空间

计算精神病学中的一个基本挑战是定义和选择适当的模型空间。模型空间包含用于解释精神现象的候选模型集。这个选择过程至关重要，因为它直接影响理解精神障碍潜在机制和开发有效干预措施的能力。通常，它涉及使用统计方法（如贝叶斯模型比较）比较多个候选模型。虽然这些方法旨在识别具有最强证据的模型，但必须认识到这个过程受限于明确考虑的模型集。这种约束引入了潜在的陷阱。首先，通过比较确定的“最佳”模型只是在指定模型空间内的最佳，而不一定是精神现象的最佳可能模型。如果无意中遗漏了一个更优的模型，它将无法被发现。这一风险强调了仔细定义模型空间的重要性，这需要基于先前的文献、理论考虑和初步数据模拟。其次，模型比较方法旨在兼顾模型的复杂性和准确性，以实现泛化并防止过拟合。当比较复杂度差异很大的模型（例如，一个复杂的计算模型与一个简单的“玩具”模型）时，比较可能偏向于更简单的模型，因为其简洁性，可能忽略了更复杂模型捕获的重要机制性见解。

2.1.1 定义模型空间

鉴于测试所有可能模型的不可行性，必须采用策略方法进行模型空间选择。这涉及平衡先验知识和理论动机，以定义一组在计算上易于处理且在计算表型分析（computational phenotyping）方面具有理论信息量的模型。另外，模型空间应受神经生物学约束。这意味着所考虑的模型应与已知的神经机制一致，这可以显著缩小合理模型的空间。例如，成瘾中奖赏学习的模型应考虑大脑中多巴胺系统的作用。这些约束不仅使模型更具生物学合理性并缩小模型空间，而且有助于弥合计算理论与神经实现之间的差距。

2.1.2 修剪模型空间

任务设计在计算精神病学中修剪模型空间方面起着关键作用。构建良好的实验范式可以有效区分竞争模型，从而实现更有针对性的模型选择方法。例如，Huys等人开发了一个多步骤规划任务，揭示了规划深度的个体差异，为抑郁症决策缺陷的计算基础提供了见解。然而，必须认识到，即使精心设计的任务也有局限性。正如Wilson和Collins所指出的，许多标准范式可能无法完全捕捉真实世界行为的丰富性，可能使我们的模型偏向于过度简化的认知过程描述。因此，平衡模型复杂性和简洁性应是一个持续关注的问题。虽然复杂模型可以捕捉细微的行为模式，但如果使用准确性或似然，它们会增加过拟合的风险，即模型对特定数据拟合得很好，但缺乏泛化到其他情境的能力。相反，过于简单的模型可能无法捕捉所研究现象的关键方面。应对这种权衡的一种方法是使用嵌套模型，其中更简单的模型是更复杂模型的特例。这允许对具有不同复杂性的模型进行结构化比较。然而，需要注意的是，最简洁的模型并不总是信息最丰富或临床最相关的。例如，Gillan等人发现，一个更复杂的模型为不同精神病学诊断中强迫行为的潜在机制提供了更丰富的见解。因此，复杂性和简洁性之间的平衡不仅应由统计考虑指导，还应务实考虑所考虑模型的具体研究问题和临床相关性。

2.1.3 评估模型空间

一旦初始模型空间被修剪，下一步是评估剩余的模型。这个评估过程对于确定哪些模型最好地捕捉精神现象的潜在机制以及评估计算方法的稳健性至关重要。贝叶斯模型比较提供了一种原则性的方式来平衡模型复杂性和拟合，惩罚可能过拟合数据的过于复杂的模型。交叉验证方法，如k折交叉验证，通过评估模型对未见数据的泛化能力，在解决过拟合问题中起着关键作用。然而，传统的交叉验证方法在处理精神病学研究中常见的时间序列数据或分层模型时可能不足。模型恢复技术，其中从已知模型模拟数据并尝试恢复生成模型，提供了一种有用的工具来评估定义空间内模型的可识别性。这可以揭示实验设计和建模框架是否能够区分竞争假设。为了解决单模型推断的局限性，研究人员越来越多地转向多模型方法。例如，贝叶斯模型平均（Bayesian Model Averaging）提供了一种将模型结构的不确定性纳入推断的方法。这在精神病学研究中特别有价值，因为潜在的计算机机制可能在个体或障碍之间存在异质性。然而，模型平均应谨慎应用，因为它可能掩盖模型之间具有临床相关性的重要定性差异。模型评估过程应被视为迭代的，随着新证据的出现，模型空间被细化和更新。这再次与理论发展和检验的动态科学过程的常见概念保持一致。

2.1.4 模型空间中的简并性

简并性（Degeneracy）发生在空间中的多个模型产生相同或相似的结果或行为时。在计算术语中，当多个不同的模型结构（甚至不同的参数集）产生统计上无法区分的可观察数据模式时，就会出现简并性。例如，如图1所示，抑郁症中的退缩行为可以通过高损失厌恶、高损失学习率或对损失可能性的先验信念来建模。计算简并性对精神病学中的计算建模提出了重大挑战。请注意，应将其与神经元简并性区分开来，神经元简并性是指多个大脑过程可以产生相同的行为，这是一种适应性特征，允许在受损或中断时保持功能弹性（值得注意的是，神经元简并性可能加剧计算简并性的挑战，因为前者的真实程度通常未知）。模型空间中的简并性引发了关于模型的意义和特异性的问题。如果具有不同潜在机制的多个模型导致相同的可观察结果，我们如何自信地识别精神障碍背后的真实机制？由于几个原因，这一挑战在计算精神病学中尤为严峻。首先，它可能导致对潜在机制的误导性结论，可能误导研究工作和临床干预。其次，它使个体差异的解释复杂化，因为看似模型简并性可能反映了患者群体中的真实异质性。最后，它对开发精确的、机制知情的诊断、预后工具和治疗方法构成了重大障碍，而这是计算精神病学的一个关键目标。解决简并性需要多方面的方法来设计和评估模型。一种策略是开发实验范式来区分简并模型，即使在标准条件下它们产生相似的结果。此外，应在更广泛的条件下测试模型，因为看似等效的模型通常在特定情境下会发散。结合神经生物学约束也有助于通过使模型基于生理现实来减少简并性。例如，受已知大脑回路约束的模型可以比无约束模型更有效地适应认知过程中的个体差异。有趣的是，理解模型中简并性的结构可能为大脑计算的稳健性提供见解，潜在地揭示大脑如何在噪声或损伤下维持功能。简并性对计算精神病学临床应用的启示是深远的。由于该领域的许多生成模型旨在临床应用，开发能够指导改进精神病学干预的精确模型面临巨大压力。简并性的存在使这一目标复杂化，即使有方法应对这一挑战。也很难排除模型中看似的计算简并性是否可能反映了不同个体精神障碍潜在机制的真实异质性。这一认识强调了精神病学中个性化方法的必要性，即对每个患者考虑并检验多种潜在机制。

2.2 模型参数

从考虑模型空间转向参数空间，焦点从选择最合适的模型结构转移到估计和解释所选模型内参数的值，其中模型中的参数如学习率或奖赏敏感性。模型参数在桥接抽象计算理论与可观察行为和神经活动方面起着至关重要的作用，例如，模型中较高的奖赏学习率可能转化为任务中更多的动作选择。这些参数作为特定认知或神经过程的定量表示，允许形式化和检验关于精神障碍潜在机制的假设。模型参数是计算模型有用的关键原因之一，因为它们允许捕捉认知过程中的个体差异，潜在地解释精神病学人群中观察到的异质性。例如，在决策强化学习模型中，与学习率或奖赏敏感性等参数相关的值可以区分健康个体与情绪障碍或成瘾个体。此外，参数提供了一种将计算模型与神经生物学机制联系起来的方法。例如，主动推断中的精度参数与神经调节系统有关，提供了关于这些系统的改变如何导致精神分裂症中幻觉等症状的计算视角。转向参数空间带来了其自身的一系列挑战。虽然模型空间是离散的，由一组有限的候选模型组成，但参数空间通常是连续且高维的，需要复杂的方法来估计和解释。研究人员可以将个体定位于多维参数空间中，而不是简单地基于诊断对个体进行分类，潜在地揭示障碍的亚型或跨诊断表型，有时称为生成嵌入（generative embedding）。然而，在参数空间中工作也引入了新的复杂性。参数的可识别性、可恢复性、对称性和解释问题变得至关重要。

2.2.1 参数空间中的位置

分析高维参数空间时的一个重要考虑是，参数的微小变化可能导致生成模型结果的显著变化。这是因为所有参数的关系都有助于生成模型的结果，而不是单个参数孤立地起作用。图1展示了一个三参数模型的示例，其中干预改变了参与者2的参数空间位置，但没有改变参与者1的位置。如果只分析单个参数的变化，可能会错过参数空间中的重要显著变化。例如，Fisher等人使用主动推断建模表明，裸盖菇素改变了大鼠参数空间的位置。参数空间的转变共同发现了个体参数分析中未捕捉到的差异。参数空间中的位置是计算精神病学的好处之一，因为它可以表征多种计算因素如何共同影响患者的决策。由于精神障碍本质上是异质性的，当症状相同时，为什么某些治疗对一些人有效而对另一些人无效可能不清楚，转向分析参数空间可能允许检测其他方法可能无法出现的个体差异。

2.2.2 估计模型参数

精神病学研究中的参数估计通常采用近似推断技术，而不是精确推断。这种必要性源于精神病学中使用的许多生成模型的似然或后验在分析上难以处理，加上这些模型的复杂性。近似方法大致分为变分方法和基于采样的技术。变分方法（例如变分贝叶斯）用更简单、易处理的形式近似真实后验分布或似然。这些技术旨在最大化模型证据的下界（证据下界，Evidence Lower Bound, ELBO），并且根据参数的处理方式，可以被视为一种近似最大似然估计（Maximum Likelihood Estimation, MLE）或近似贝叶斯推断。变分方法通常计算效率高，并且可以很好地扩展到大型数据集，然而对后验的近似准确性取决于所采用的底层分布假设的适当性，因此可能产生对真实后验的不良近似。相反，基于采样的方法，主要是马尔可夫链蒙特卡洛（Markov Chain Monte Carlo, MCMC）技术，提供了对完整后验分布的更准确表示，但计算密集，特别是对于精神病学模型中常见的高维参数空间。这些方法在模型证据的解析估计或其边界不可用时特别有价值。变分和基于采样的方法之间的选择通常取决于生成模型的具体结构、参数空间的维度和可用的计算资源。在许多情况下，计算精神病学的研究人员结合使用这些技术，使用变分方法进行初步探索，使用MCMC对选定的模型进行更精细的分析。然而，计算精神病学中的参数估计经常面临重大挑战，特别是在可识别性方面。如果模型在获得无限数量的观察后理论上可以学习其参数的真实值，则该模型是可识别的。在实践中，使用有限且通常嘈杂的数据，参数可识别性成为一个关键问题。具有多个相互作用参数的复杂模型可能遭受实际不可识别性，其中不同的参数值组合产生无法区分的模型输出。这种可识别性问题在精神病学研究中加剧，因为数据通常是稀疏和嘈杂的，并且潜在的认知过程复杂且相互作用。例如，在抑郁症决策的强化学习模型中，代表学习率和奖赏敏感性的参数可能难以区分，因为两者都可以以类似的方式影响选择行为。重要的是，有时可以通过仔细的实验设计或收集多种类型的数据（例如，行为和神经数据）来缓解可识别性问题。贝叶斯参数估计中先验分布（在获得新证据之前参数的概率分布）的作用在应对这些挑战中变得尤为重要。信息性先验可以帮助约束参数空间，潜在地缓解可识别性问题。这些先验可以基于先前的研究、神经生物学约束或理论考虑。然而，先验的使用也引入了潜在的偏差，必须谨慎对待。这些偏差在临床研究中是相关的，因为先验来自先前研究的数据，这些数据可能因亚群而偏斜。过强或指定错误的先验可能导致有偏的参数估计。因此，仔细证明和报告先验的选择，并检查结果对不同先验规范的敏感性至关重要。经验贝叶斯（Empirical Bayes）方法有时可以提供完全主观先验和完全无信息先验之间的中间立场，可能为计算精神病学中的参数估计提供更稳健的基础。

2.2.3 模型参数的可恢复性

尽管研究人员花了一些时间讨论可恢复性，但有一种观点认为可恢复性本身是多余的。这是因为可恢复性评估特定参数的可识别性，从技术上讲，可识别性取决于Fisher信息，该信息评估观察值相对于参数变化的变化。这由所讨论参数的后验不确定性编码。简而言之，如果一个参数是可恢复的，它就有相对精确或信息丰富的后验。如果它有精确或信息丰富的后验，那么当比较包含和不包含该参数的模型时，这个参数将在贝叶斯模型比较中幸存。这意味着提供证据证明一个参数是解释数据所必需的就足够了。另一种看待这个问题的方式是，只有当没有报告该参数的证据时，才需要可恢复性分析。这通常与使用基于采样的方法相关，这些方法使得评估模型证据变得困难，或者使用错误的目标函数（即，使用数据似然而不是边际似然；即最大化模型拟合而不是模型证据）。然而，确定可接受的模型证据水平并不简单。可接受的模型证据的阈值取决于模型的目的、其预测准确性和诊断效用。没有普遍适用的单一截止点。相反，研究人员必须在评估模型有效性时权衡可恢复性与其他模型特征。务实的是，可以采用不同的策略来增加模型证据。例如，仔细的实验设计可以确保任务探测认知过程的多个方面，有助于更有效地区分参数。使用多种数据模式，例如将行为数据与神经成像相结合，可以进一步约束参数估计并提高准确性。分层建模通过汇集个体间的信息，也可以细化参数估计，特别是在数据有限或嘈杂的情况下。最后，自适应设计优化迭代地细化实验设计以最大化参数可识别性，提供了一种改进可恢复性的动态方法。

2.2.4 模型参数空间中的对称性

计算精神病学中的一个重大挑战是生成模型参数空间中存在对称性或相关。在将这些模型拟合到数据时，经常遇到不同参数显示高度相关的情况，可能表明模型结构中的冗余或我们从可用数据中唯一识别参数的能力有限。这些相关性可能源于几个来源，包括模型本身的结构对称性、嘈杂或有限的数据、不充分的实验设计或大脑中认知过程之间的真正相互依赖。对于计算精神病学中参数空间的相关性或对称性，可能存在一个焦虑学习的生成模型，其中代表学习率和损失厌恶的参数高度相关。这可能意味着这些参数捕获了潜在认知过程的重叠方面，或者实验设计没有区分它们的影响。这种相关性的启示是重大的，因为它们可能掩盖可能与临床相关的个体差异。为了解决这个问题，研究人员通常采用几种策略。一种方法是将相关参数之一固定为预定值并重新拟合模型。或者，可以重新公式化模型以组合相关参数或以减少相关性的方式表达它们。改进的实验设计和开发针对特定参数的任务也有助于减少相关性。分层建模和多模态数据集成是提供对参数估计更多约束的附加技术。采取哪种方法应受几个因素指导。先前的文献可能表明哪些参数与感兴趣的现象最相关。如果感兴趣的现象是焦虑中的反刍，并且学习率参数和损失厌恶之间存在相关性，那么最好固定学习率参数，因为损失厌恶与反刍现象更密切相关。关于计算过程如何在大脑中实现的加工理论也可以告知哪些参数在神经生物学上最合理。例如，加工理论可以理论化神经元动态如何编码模型中的信念更新，也可以提出神经调节剂如何传递模型中编码的信息，或者神经调节剂在模型中编码什么精度。如果参数空间中存在对称性，可能一个参数比另一个参数更适合相关的加工理论。例如，乐观偏见与较高的多巴胺有关，其中多巴胺水平升高降低了对负面结果的更新。这可能表明，如果发现在加工理论中多巴胺相关参数在对称性上优于其他未与多巴胺相关的参数，那么与多巴胺相关的参数在理论上更合理并被选择保留在模型中。这可能是在强化学习中保留奖赏预测误差或在主动推断中保留策略精度，因为它们都与多巴胺有关。需要关键注意的是，虽然解决参数相关性很重要，但必须注意不要过度简化模型。一些相关性可能反映了神经信息处理中真正的相互依赖性。目标是在模型可识别性和生物合理性之间找到平衡。处理参数对称性和相关性是计算精神病学的一个微妙方面，需要仔细考虑统计、理论和实际因素。通过深思熟虑地解决这些问题，可以增强计算模型的可解释性和临床效用，最终增进对精神障碍的理解并可能改善患者预后。

2.3 模型输出

解释计算精神病学模型中的模型输出是理解抽象的数学定义变量如何与神经生物学过程和临床现象相关的重要步骤。这些输出提供了对精神障碍潜在认知机制的见解，但其解释远非简单。挑战在于将这些抽象参数与有意义的认知功能、神经基质和临床相关行为联系起来。

2.3.1 将模型输出与神经生物学联系起来

解释模型输出的一种方法是通过神经生物学基础，这涉及将特定模型参数与已知的神经生物学结构相关联。例如，在强化学习模型中，学习率或奖赏预测误差等参数可以与多巴胺能系统中的神经信号联系起来。此外，有研究调查了药物干预对计算模型的影响，这有助于建立从神经生物学到模型参数的联系。例如，Michely等人发现，增加血清素的SSRI西酞普兰增加了从惩罚中学习并减少了从奖赏中学习。这一结果可能表明血清素与学习率有关，并可能帮助告知谁可能受益于改变血清素水平的干预措施。然而，虽然这种方法可以提供有价值的见解，但它受到当前神经生物学系统知识的限制。许多计算模型，特别是在精神病学中，处理复杂的、高级的认知过程，其潜在的神经生物学基质尚未完全理解。因此，重要的是谨慎对待参数的神经生物学解释，确保这种解释基于稳健的实验证据或完善的理论框架。

2.3.2 临床应用中的模型输出

在临床环境中，解释参数值对于理解个体差异和定制干预措施至关重要。参数作为生物标志物是计算精神病学中的一个新兴概念，其中个体参数估计可用于量化精神障碍中存在的认知功能障碍的严重程度或类型。例如，Smith等人发现，寻求治疗的一名或多名物质使用障碍患者，对负面结果的学习率较慢，其中学习率与一年后的物质使用严重程度相关。这项工作的结果可以指导临床模型，其中学习率参数可用作生物标志物来告知成瘾的严重程度，并可能指导临床医生决定对该个体最好的治疗形式，例如认知行为疗法或药物治疗。参数值随时间的变化可用于跟踪障碍的进展或治疗的有效性。例如，治疗后与回避行为相关的参数权重降低可能表明焦虑障碍的临床改善。这使得参数估计不仅是一种诊断工具，也是一种监测治疗结果的手段，帮助临床医生做出关于治疗修改或加强的数据驱动决策。参数值可能有助于临床环境的其他方式还包括理解干预对个体的影响。Norbury等人发现，CBT的不同组成部分影响特定的认知机制。他们发现目标设定降低了对努力的敏感性，认知重构减少了对日常负面事件归因于自身原因。这些结果可以告知患者关注CBT的哪些组成部分，因为可能是什么导致了他们的症状。然而，为了使参数具有临床实用性，必须以对临床医生有意义的方式可解释。这需要在不同人群和背景下对参数进行标准化和验证。此外，临床解释由于许多参数依赖于上下文并且可以根据用于引发行为的特定任务而变化而变得复杂。因此，使参数可跨不同任务和临床设置转移是一个持续的挑战。

1. 3.
   科学哲学的类比
   到目前为止，研究人员考虑了一系列对计算精神病学的挑战，并针对每个挑战提出了如何使用计算工具来解决。为了评估这些建议对推进计算精神病学的可行性，重要的是考虑这些挑战的概念性质以及如何提出解决建议。为此，研究人员求助于科学哲学中长期存在的辩论来探讨计算精神病学中的挑战，旨在提供概念工具以增强精神病学中计算模型的严谨性和临床效用。借鉴科学哲学表明，从概念上讲，计算建模方法面临的挑战在许多科学领域是常见的。它们是跨领域科学过程的一部分，是科学进步方式的必然结果，现有理论随着新信息的获取而不断更新——同时理解当前的假设和理论在未来也可能改变。这些挑战的普遍性值得注意，因为它提供了对计算精神病学批评的更好理解。特别是，看到这些挑战并非由于引入计算建模方法本身而产生，并且在许多情况下已经有可用的策略来阐明和应对这些挑战，这些策略可以适用于计算模型。

3.1 最佳解释推理中的“最佳中的坏批次”问题

模型空间选择的挑战，即为模型空间定义和选择适当的模型，类似于科学哲学中关于最佳解释推理（Inference to the Best Explanation）作用的辩论中的一个挑战，其中对某个特定感兴趣现象的最佳解释受限于初始的解释集。鉴于这种约束，最佳解释推理可能变成“最佳中的坏批次”，这实际上是一个糟糕的解释。模型空间可能是“坏批次”的原因有几个，从科学进步和新模型随时间出现这一简单事实，到困扰特定领域的持续偏见；在医学和精神病学中，这可能例如源于用于创建理论的数据通常遗漏女性和代表性不足群体的偏见。解决“最佳中的坏批次”问题的一个建议是确保可能解释集中的所有解释都符合文献中被称为“足够好”的标准，这样，尽管最初可能没有包括绝对最佳的解释，但所包括的假设在某种意义上是值得的。科学哲学中随后有大量关于“足够好”标准可能是什么的讨论。上述评估过程，侧重于神经生物学合理性和交叉验证方法，提出了一种“足够好”的标准，这适用于计算精神病学方法。由于最佳解释推理和最佳中的坏批次问题是科学中固有的，并且由于有合理的通用策略来解决该问题，研究人员认为模型选择挑战对计算精神病学没有特别的破坏性。然而，重要的是要认识到，即使根据这些提出的标准，被包括的“最佳”模型，通过这些方法确定的模型，仍然受到为比较而选择的模型集的约束——科学的进步可能仍然会在未来提供更好的模型。

3.2 机制解释中感兴趣的现象

通过评估过程解决最佳中的坏批次问题有助于确保模型空间中的模型满足“足够好”的标准。在科学哲学中也有关于这个问题的相关辩论，特别是在机制解释（即科学探索系统的部分和过程如何支撑某种现象，例如消化背后的生物机制）的论述中。对感兴趣现象（解释目标）的机制解释提供了与计算解释很好的类比。在机制解释中，清楚地阐明感兴趣的现象有助于识别潜在机制的相关层次和粒度，这约束了所考虑的机制的范围。类似地，约束模型空间的一种方法是考虑模型的感兴趣现象是什么。例如，在建模焦虑时，可以考虑恐惧学习、认知偏见和生理反应的既定理论。这确保了所考虑的模型基于现有的科学理解。然而，精神病学文献的浩瀚可能导致模型空间过大，这可以通过缩小感兴趣的现象来解决，例如从一般的焦虑缩小到仅仅是反刍现象，其模型空间可能更小。缩小感兴趣的现象可以出于务实的原因，但也可以由临床关注指导，即可行干预目标的症状或行为，也许由系统方法