Computational modeling of Value-Based Decision-Making in Mental Health : Towards Mechanistic and Phenotypic Precision = 계산 모델링을 통한 정신질환에서의 가치 기반 의사결정 이해: 기전적 이해 및 정밀 표현형을 향해

다국어 초록 (Multilingual Abstract)

The overarching goal of computational psychiatry is twofold: to enhance the mechanistic understanding of maladaptive decision-making and to develop precise, dynamic phenotypes that capture individual variability across psychiatric disorders. The current thesis aims to present three studies that have aimed to contribute to these goals and bridge computational neuroscience and clinical science. In this thesis, I used model-based decision-making frameworks, mainly including reinforcement-learning (RL) and introduced three empirical studies to address these aims across distinct clinical contexts. Study 1 develops computational markers for predicting treatment outcomes in nicotine dependence by integrating adaptive experimental design optimization (ADO) with ecological momentary assessment (EMA). This approach enables efficient, real-world tracking of delay discounting and ambiguity tolerance, identifying early behavioral predictors of cessation success. Study 2 investigates the computational and neural mechanisms of context-dependent reinforcement learning in addiction, combining model-based fucntional Magnetic Resonance Imaging (fMRI) with an MR-compatible nicotine vaping device. Findings reveal that nicotine reinforcement shifts learning toward frequency-based processing accompanied by dorsal striatal activation in the brain. Study 3 examines how anxiety and depression exhibit distinct temporal integration profiles in probabilistic learning: anxiety shortens the learning window, emphasizing immediate feedback, while depression attenuates this effect, reflecting sluggish adaptation. Together, these studies demonstrate how hybrid computational approaches—linking behavioral modeling, neuroimaging, and ecologically valid data collection—can capture the temporal, contextual, and mechanistic dimensions of psychiatric dysfunction. The thesis advances computational psychiatry toward precision phenotyping, showing that quantifying how individuals learn from feedback and context provides mechanistic insight into clinical conditions such as addiction, anxiety, and depression, and offers pathways for individualized intervention.

국문 초록 (Abstract)

계산정신의학(Computational Psychiatry)은 계산모델과 통계적 추론을 활용해 정신질환에서 나타나는 인지·정서·행동 및 뇌 기능의 변화를 정량적으로 측정하고, 관찰 가능한 증상, 자기보고 및 행동 등 임상적 상태와 신경학적 기전을 연결하는 학제 간 연구 분야이다. 본 학위논문에서 주목한 계산정신의학의 궁극적 목표는 크게 두 가지이다. 첫째, 정신질환을 구성하는 특징 중 하나인 부적응적 의사결정의 기제적 이해를 심화하는 것, 둘째, 정신질환 전반에서 나타나는 개인차를 정밀하게 포착할 수 있는 정확하고 동적인 표현형(phenotype)을 개발하는 것이다. 본 학위논문은 이 목표에 기여하고자 수행된 세 편의 연구를 제시하며, 계산모델링과 임상과학을 연결하는 시도를 담고 있다. 전반적으로 본 논문에서는 가치기반 의사결정(value-based decision-making) 프레임워크를 중심으로 한 모델 기반 의사결정 틀을 활용하여, 서로 다른 임상적 맥락에서 위 목표를 다루는 세 편의 경험적 연구를 수행하였다. 연구 1에서는 니코틴 사용장애에서 일일 흡연량 및 장기 치료 성과를 예측하기 위한 계산적 지표를 개발하였다. 이를 위해 적응형 실험 설계 최적화 기법과 스마트폰 어플리케이션에 생태학적 순간평가 기법을 적용하여 지연할인과 모호성 수용과 관련된 계산적 지표들을 실제 생활 환경에서 효율적으로 추정하였다. 그 결과, 단기적으로 일일 흡연량 및 장기적 금연 성공을 조기에 예측할 수 있는 행동적 지표들을 도출하였다.
연구 2는 니코틴 사용장애에서 맥락 의존적 강화학습의 신경학적 연관을 규명하고자 기능적 자기공명영상장치 호환 전자흡연장치를 개발 및 활용하였다. 실시간으로 니코틴 또는 금전적 보상이 학습의 결과로 주어지는 과제를 수행 및 계산 모델링으로 분석한 결과, 니코틴이 강화학습을 ‘규모’보다는 ‘빈도’에 기반해 처리한다는 것을 밝혔다. 이에 동반해 배측 선조체(Dorsal striatum)가 활성화된다는 것 또한 확인하였다. 연구 3에서는 니코틴 사용장애 외에 중독과 관련이 깊은 임상적 상태인 불안과 우울이 확률적 학습 의사결정 과정에서 서로 다른 시간적 통합 프로파일을 보이는지 확인하였다. 불안이 높은 개인일수록 학습 단위가 단축되어 즉각적 피드백에 더욱 반응하는 반면, 이에 동반되는 우울은 오히려 환경 변화에 대한 적응을 더욱 느리고 둔화시키는 양상을 보였다. 종합하면, 본 학위논문에서는 행동에 대한 계산 모델링, 뇌영상기법, 그리고 생태학적 타당성이 높은 자료 수집 기법을 연결하여 가치기반 의사결정 프레임워크를 통해 정신질환의 시간적·맥락적·기제적 차원을 정량화할 수 있음을 보여준다. 또한 개인이 피드백과 맥락으로부터 학습하는 방식의 차이를 계량화하는 것이 중독, 불안, 우울의 기제적 이해를 확장하고, 개인맞춤형 중재로 이어질 수 있는 경로를 제시함으로써 계산정신의학의 정밀 표현형(precision phenotyping) 발전에 기여한다는 함의를 지닌다.

목차 (Table of Contents)

• Chapter 1. Introduction to computational psychiatry and its role in understanding decision-making deficits in mental health 1
• 1.1. Introduction to Computational Psychiatry 1
• 1.1.1. Psychometric challenges of diagnostic models and Motivation of Computational Psychiatry 1
• 1.1.2. Promises of computational psychiatry 6
• 1.1.3. Theory-driven approaches for computational psychiatry 11
• 1.1.4. Data-driven approaches for computational psychiatry 17
• 1.2. Scope and aim of the paper 21
• Chapter 2. Development of computational markers for predicting treatment outcomes in mental health: Study 1 25
• 2.1. Introduction 25
• 2.2. Methods 28
• 2.2.1. Participants 28
• 2.2.2. Study design 31
• 2.2.3. Psychological state surveys and self-reported smoking 32
• 2.2.4. Decision making task 32
• 2.2.5. Model fitting 38
• 2.2.6. Short-term (day-to-day) prediction of smoking behaviors 39
• 2.2.7. Long-term (after treatment) prediction of smoking cessation 40
• 2.3. Results 43
• 2.3.1. Participants 43
• 2.3.2. Short-term (day-to-day) predictor of smoking behaviors 45
• 2.3.3. Long-term (post-treatment) prediction of smoking cessation 50
• 2.4. Discussion 53
• 2.4.1. Overview of findings 54
• 2.4.2. Limitations 56
• 2.4.3. Conclusion 57
• Chapter 3. Computational and Neural mechanism of drug-seeking in Nicotine dependence: Study 2 58
• 3.1. General review on neural mechanism of drug reward 58
• 3.1.1. Dopamine theory of addiction 59
• 3.1.2. Goal-directed and habit theories of decision-making and impulsivity 68
• 3.1.3. Emotional processing circuit 74
• 3.1.4. Distinct circuit for monetary and drug reward 85
• 3.2. Introduction 86
• 3.3 Methods 90
• 3.3.1. Participants 90
• 3.3.2. Experimental procedure 92
• 3.3.3. Reward learning and transfer task 93
• 3.3.4. Nicotine vaping equipment and vape mixture 96
• 3.3.5. Self-report and psychological surveys 98
• 3.3.6. Computational models 99
• 3.3.7. functional MRI Acquisition and data preprocessing 110
• 3.3.8. functional MRI Data analysis 112
• 3.3.9. ROI-based statistical analysis 113
• 3.4. Results 114
• 3.4.1. Demographic information 114
• 3.4.2. Behavioral results 115
• 3.4.3. Computational modeling results 120
• 3.4.4. fMRI results 125
• 3.5. Discussion 133
• 3.5.1. Overview of findings 133
• 3.5.2. Limitations 136
• 3.5.3. Conclusion 138
• Chapter 4. Distinct Computational markers of reward learning in Anxiety and Depression: Study 3 139
• 4.1. Introduction 139
• 4.2. Methods 143
• 4.2.1. Participants 143
• 4.2.2. Psychological surveys 144
• 4.2.3. The probabilistic reversal learning task 145
• 4.2.4. Exclusion 148
• 4.2.5. Behavioral analysis 149
• 4.2.6. Computational models of behavior 155
• 4.3. Results 162
• 4.3.1. Psychological survey results 162
• 4.3.2. Behavioral performance 164
• 4.3.3. Differential pattern of state anxiety and depression on reward sensitivity 167
• 4.3.4. Individual differences in temporal integration of past outcomes 176
• 4.3.5. Computational modeling results 178
• 4.4. Discussion 183
• 4.4.1. Overview of findings 183
• 4.4.2. Limitations 187
• 4.4.3. Conclusion 187
• Chapter 5. General Discussion 189
• 5.1. Integrative summary 189
• 5.2. Theoretical and methodological contributions 192
• 5.2.1. Theoretical contributions 192
• 5.2.2. Methodological contributions 194
• 5.3. Clinical implications 196
• 5.4. Value-based decision-making as a transdiagnostic framework 198
• 5.5. Limitations 202
• 5.6. Future Directions 204
• 5.7. Conclusion 206
• References 209
• Appendix A: Supplementary materials for Study 1 237
• Appendix B: Supplementary materials for Study 2 244
• Appendix C: Supplementary materials for Study 3 249
• Korean Abstract 252