چکیده
Background Predictive-processing accounts of BPD, including the hierarchical-prior-imbalance account proposed by Herzog, offer a framework for interpreting affective instability and impulsivity. The present task-fMRI study evaluates whether discriminative task-evoked patterns are consistent with this framework; because it does not directly estimate prediction errors, precision weighting, or hierarchical belief updating, it is not a mechanistic test of predictive processing. Methods To evaluate this question, this study developed a leakage-controlled multimodal machine learning framework for individualized classification of adolescents with BPD and healthy controls based on emotional Go/No-Go task-fMRI activity. Three feature domains were constructed: functional connectivity (FC), task-evoked general linear model (GLM)-derived temporal features, and clinical variables. Seven feature settings, including single-modality, dual-modality, and full multimodal combinations, were evaluated using multiple conventional machine learning classifiers, including logistic regression, support vector machine, k-nearest neighbors, Gaussian naive Bayes, multilayer perceptron, random forest, and XGBoost or gradient boosting. Results The results showed that task-evoked GLM-derived features provided the strongest single-modality discriminative information (AUC of 0.881 ± 0.055). SHAP analysis confirmed the predominance of GLM-derived features, accounting for 83.1% of total model attribution, compared to 9.5 and 7.5% for functional connectivity and clinical variables, respectively. At the neural level, discriminative features were distributed across visual/perceptual regions (calcarine, cuneus, occipital cortex), temporoparietal/default-mode hubs (angular and supramarginal gyri), frontal control regions (inferior frontal gyrus), and subcortical structures (putamen). This distributed pattern aligns with a hierarchical organization spanning perceptual input, contextual/self-referential processing, and top-down inhibitory control systems, consistent with the proposed model of hierarchical affective predictive imbalance. Conclusion Task-evoked GLM-derived features were the primary source of discriminative information for adolescent BPD, with functional connectivity and clinical variables providing modest additional value. The resulting classification pattern is consistent with hierarchical predictive-processing accounts but does not establish a specific predictive-processing mechanism. The same regional pattern may also reflect visual attention, salience processing, and executive inhibitory control.
زمینه: رویکردهای پردازش پیش‌بینانه در اختلال شخصیت مرزی، از جمله مدل عدم تعادل پیش‌فرض سلسله‌مراتبی ارائه‌شده توسط Herzog، چارچوبی برای تفسیر بی‌ثباتی عاطفی و تکانشگری فراهم می‌کنند. مطالعه حاضر با استفاده از fMRI برانگیخته‌شده توسط تکلیف، ارزیابی می‌کند که آیا الگوهای تمایزبخش برانگیخته‌شده توسط تکلیف با این چارچوب همخوانی دارند یا خیر؛ چرا که این مطالعه به طور مستقیم خطاهای پیش‌بینی، وزن‌دهی دقت یا به‌روزرسانی باور سلسله‌مراتبی را برآورد نمی‌کند و بنابراین آزمون مکانیکی پردازش پیش‌بینانه محسوب نمی‌شود. روش‌ها: برای ارزیابی این سؤال، این مطالعه یک چارچوب یادگیری ماشین چندوجهی با کنترل نشت برای طبقه‌بندی فردی نوجوانان مبتلا به اختلال شخصیت مرزی و افراد سالم بر اساس فعالیت fMRI تکلیف Go/No-Go عاطفی توسعه داد. سه حوزه ویژگی ساخته شد: اتصال عملکردی (FC)، ویژگی‌های زمانی مشتق‌شده از مدل خطی عمومی (GLM) برانگیخته‌شده توسط تکلیف، و متغیرهای بالینی. هفت تنظیم ویژگی، شامل ترکیب‌های تک‌وجهی، دووجهی و چندوجهی کامل، با استفاده از چندین طبقه‌بند متداول یادگیری ماشین از جمله رگرسیون لجستیک، ماشین بردار پشتیبان، نزدیک‌ترین همسایه، گوسی نایو بیز، پرسپترون چندلایه، جنگل تصادفی و XGBoost یا گرادیان بوستینگ ارزیابی شد. نتایج: نتایج نشان داد که ویژگی‌های مشتق‌شده از GLM برانگیخته‌شده توسط تکلیف قوی‌ترین اطلاعات تمایزبخش تک‌وجهی را فراهم کردند (AUC برابر با 0.881 ± 0.055). تحلیل SHAP برتری ویژگی‌های مشتق‌شده از GLM را تأیید کرد، به طوری که این ویژگی‌ها 83.1٪ از کل نسبت‌دهی مدل را به خود اختصاص دادند، در حالی که اتصال عملکردی و متغیرهای بالینی به ترتیب 9.5 و 7.5٪ را تشکیل دادند. در سطح عصبی، ویژگی‌های تمایزبخش در سراسر نواحی بینایی/ادراکی (کالکارین، کونئوس، قشر اکسیپیتال)، مراکز تمپورپاریتال/حالت پیش‌فرض (ژیروس زاویه‌ای و فوق‌حاشیه‌ای)، نواحی کنترل پیش‌فرونتال (ژیروس فرونتال تحتانی) و ساختارهای زیرقشری (پوتامن) توزیع شده بودند. این الگوی توزیعی با سازماندهی سلسله‌مراتبی که ورودی ادراکی، پردازش زمینه‌ای/خودارجاعی و سیستم‌های کنترل مهاری بالا به پایین را در بر می‌گیرد، همسو است و با مدل پیشنهادی عدم تعادل پیش‌بینی‌کننده عاطفی سلسله‌مراتبی مطابقت دارد. نتیجه‌گیری: ویژگی‌های مشتق‌شده از GLM برانگیخته‌شده توسط تکلیف، منبع اصلی اطلاعات تمایزبخش برای اختلال شخصیت مرزی نوجوانان بودند و اتصال عملکردی و متغیرهای بالینی ارزش افزوده متوسطی را ارائه دادند. الگوی طبقه‌بندی حاصل با رویکردهای پردازش پیش‌بینانه سلسله‌مراتبی سازگار است اما سازوکار خاصی از پردازش پیش‌بینانه را اثبات نمی‌کند. همین الگوی ناحیه‌ای ممکن است بازتاب‌دهنده توجه بینایی، پردازش برجستگی و کنترل مهاری اجرایی نیز باشد.
