从隐式联想测试中的脑与行为数据推断心理测量变量的贝叶斯推断

目标：我们建立了一种原则性的方法，通过隐式联想测试(IAT)作为数据生成引擎，从神经和行为数据中推断与精神健康相关的心理测量变量，以克服仅依赖反应时间的黄金标准D评分方法在预测性能（通常低于0.7 AUC）方面的局限。方法：我们提出了一种稀疏层次贝叶斯模型，利用多模态数据来预测新参与者中与精神病症症状相关的经验。该模型是D评分的多变量推广，具备可训练参数，专为IAT研究中典型的小样本 regime 进行参数效率设计。分析了两种IAT变体的数据：与自杀倾向相关的E-IAT($n=39$)和与精神病相关的PSY-IAT($n=34$)。主要结果：我们的ethods克服了高个体变异性和数据集中低样本效应大小，分别在最佳模态配置下达到0.73(AUC)和0.76(AUC)，但校正后的95%置信区间较宽($\pm 0.18$)，在FDR校正后结果仅略显显著($q=0.10$)。将E-IAT限制为MDD参与者可将AUC提高到0.79 $[0.62, 0.97]$（显著于$q=0.05$）。性能与每项任务中最佳参考方法（shrinkage LDA和EEGNet）相当，即使后者被适应任务，而本方法并未如此。准确率显著高于接近随机的D评分(0.50-0.53 AUC)，且在两项任务中跨任务性能更一致于任何单一参考方法。意义：我们的框架显示前景，旨在增强IAT用于评估与封闭和精神病相关经验的评估潜力，以及潜在的其他精神健康状况，但需要在更大规模和独立队列中进一步验证以确立临床实用性。