8.3 计算精神医学 (Computational Psychiatry)
8.3 计算精神医学 (Computational Psychiatry)
全册最后一个功能出口对准临床：如果精神疾病是网络动力学的参数偏移，那么诊断就应该读参数而不是只读症状。计算精神医学的纲领正是如此——用第 5、6 章的模型给心理健康状态做"参数体检"，让"为什么会这样症状"有机制答案。本节通过三个病例式的建模案例说明这套逻辑的用法与边界。
概念锚点：从症状分类到参数表型
传统精神病学诊断（DSM/ICD 体系）按症状群分类：同名诊断的患者可能带着不同的病因与不同的治疗反应——同病异质是疗效参差的根源之一。计算精神医学提出计算表型：不改症状清单，而是在其下加一层参数——用任务行为（决策游戏、知觉判断、工作记忆测试）拟合决策模型与网络模型的参数，把患者分层。两个患者症状相似，但一个是学习率异常、一个是信念噪声过大，就属于不同的亚型，对治疗可能有不同反应。这套逻辑与肿瘤的分子分型同构：症状是表型层，参数是机制层。
病例一：精神分裂症的 E-I 失衡与伽马塌陷
第 5.1 节的平衡网络与 5.3 节的 PING 机制在此直接对上临床。精神分裂症患者稳定的生理标记之一是前额叶与听觉皮层的伽马功率偏低、相位锁定变差——用平衡网络的语言，这是抑制强度或抑制速度参数的偏移：抑制中继弱了，同步发电机失稳，感知绑定的节拍器（5.3 节的"时间表"）乱拍。GABA 能假说与 NMDA 受体功能低下假说都能映射到这套参数上，动物模型（NMDA 拮抗剂诱导的伽马异常）提供了药理对账。模型的价值在于把"认知症状（工作记忆差、知觉绑定弱）"与"分子靶点（抑制性中间神经元）"之间的断层接上了动力学桥。
病例二：决策参数里的成瘾与抑郁
第 6.2 节的强化学习框架给成瘾与抑郁各提供了一张参数表。成瘾：强化学习模型拟合赌博与药物任务，稳定的发现是成瘾者对奖励预测误差的反应异常——奖励敏感度上调、惩罚敏感度下调（"预期偏差"参数），而模型信念更新对高奖励选项过度自信。这解释了为何明知有害仍持续：不是"意志薄弱"这个空变量，而是价值更新系统的一组可测量偏移。抑郁：任务拟合反复发现习得性无助对应"学习率对积极反馈趋零"（积极反馈不再更新价值）、努力决策中"努力成本权重"上调——抑郁在参数层是"奖励信号降权 + 代价升权"。两类参数表型都已用于预测治疗反应的初步研究（如按奖赏学习参数分层预测抗抑郁药疗效）。
病例三：自闭症谱系的预测编码失衡
第 6.1 节预测编码框架对自闭症谱系（ASD）的解读是近年最有生产力的临床建模之一：感觉过敏与注意细节化被解释为"预测误差权重过高"——先验信念对感觉输入的约束太弱，每一帧输入都显得新鲜刺眼；对应地，对规则与不变性的执着寻求可读作"加强先验"的代偿策略。感知任务的拟合（如重复抑制减弱、错觉易感性变化）与该参数化一致。这类模型的魅力在于用一个机制参数同时解释多个看似无关的症状簇——这正是机制层建模的临床附加值。
概念代码：从行为数据到个体参数
import numpy as np # Q 学习拟合：从个体选择序列估计学习率 alpha 与逆温度 beta rng = np.random.default_rng(11) def q_fit(choices, rewards): Q = np.zeros(2); ll = 0.0 for c, r in zip(choices, rewards): p = np.exp(2.5*Q)/np.exp(2.5*Q).sum() # beta=2.5 演示 ll += np.log(max(p[c], 1e-9)) Q[c] += 0.25*(r - Q[c]) # alpha=0.25 演示 return ll # 实际研究：对 alpha、beta 做网格/贝叶斯搜索，取最大对数似然 # 患者组与对照组的参数分布对比即"计算表型" demo = [(0,1),(1,0),(0,1),(1,1),(0,0),(1,1),(0,1)] print("演示对数似然:", round(q_fit([c for c,_ in demo],[r for _,r in demo]),2)) # 参数化的意义：学习率异常、奖励敏感度异常可量化、可分组、可预测疗效
真实研究里这套流程跑在每位被试上，产出参数分布而非均值——参数的个体间分离度（而非组均值差异）决定计算表型的诊断潜力，这是它与传统量表的关键差别。
边界与清醒剂
计算精神医学有三条必须承认的边界。模型非唯一：同一份行为数据常能被多个模型同等拟合，参数解释随之漂移——需要用模型比较（贝叶斯因子、交叉验证）而非单模型叙事。任务代表性：参数是从特定任务测出的，换个任务参数可能不稳——表型的可靠性依赖任务的心理测量学质量。因果缺口：参数偏移与疾病之间的因果方向常不明（是偏移致病，还是病导致偏移），模型给出的是机制假设而非判定。清醒的定位是：计算表型是分层与研究工具，不是独立的临床诊断标准——至少在参数可靠性问题解决之前。
⚠️ 常见坑：给复杂行为强行配"一个参数"。单一参数叙事（如"多巴胺过多=精神分裂"）是旧瓶新酒；计算表型的价值在于参数组合模式与个体分离，不在单参数标签。
💡 关键直觉：计算精神医学做的是把第 5、6 章的方程变成临床语言——症状是动力学的影子，参数是影子的来源。这门学科因此同时是精神医学的出路检验与动力学理论的临床压力测试。
本节要点回顾
- 要点一：计算表型在症状分类下加参数层，逻辑同构于肿瘤分子分型。
- 要点二：精神分裂症的伽马塌陷可映射为 E-I 平衡参数偏移。
- 要点三：成瘾与抑郁对应价值更新与代价加权的可测量偏移。
- 要点四：ASD 的预测编码解读用"误差权重"参数统一多个症状簇。
- 要点五：三条边界——模型非唯一、任务代表性、因果缺口——决定其研究工具定位。
功能出口全部走完。最后一节回到学科本身：还欠什么账、正往哪走、红线在哪里。
案例：一个计算表型分层的完整研究流程
把 8.3 的方法论走成一次完整研究。研究问题：为什么同诊断为抑郁症的患者对某种抗抑郁药的反应差异巨大？流程四步。第一步定任务：选择奖励预期与努力决策两类任务（对应 6.2 的价值更新与成本加权），在治疗组与安慰剂组上同批采集。第二步拟合参数：对每位患者的选择序列拟合强化学习模型，得到学习率、奖励敏感度、努力成本权重等参数，并用分层贝叶斯控制个体估计的不确定度。第三步建立表型：发现"基线奖励敏感度偏低且学习率对积极反馈趋零"的亚组对药物反应显著更好——参数组合成为疗效预测因子，优于症状量表。第四步外部验证：在独立队列上重复分层预测。这套流程的每一步都有陷阱对照（8.3 正文的三条边界），但走通之后，"同病异治"的问题被翻译成了"参数分型指导用药"的可检验方案——这正是机制层建模给临床带来的增量。
问题：计算表型会不会把人简化成几个参数？
担心合理，但要分清用途。参数表型是研究工具与分层手段，不是人的定义——它声称的是"在这些任务上、这些计算属性可测量且与结局相关"，而不是"人等于参数集"。真正的风险不在简化，而在误用：把研究性参数当诊断标签、用群体均值否定个体差异、或让参数档案脱离知情同意流动。8.4 节的伦理清单正是为此准备的——技术越会"读人"，边界设计越要先行。