Identifying neural correlates of psychiatric disorders is a fundamental step towards precision psychiatry – a paradigm aiming to discover biomarkers for early disease detection or personalised treatment selection to eventually improve patients’ quality of life. However, progress has been historically hindered by the classification of psychiatric disorders as discrete entities, suspected of not aligning with the disorders’ underlying biology. In response, modern frameworks have redefined psychiatric phenotypes along continuous latent psychopathology dimensions (LP-dimensions) aligned with biological and behavioural observations and therefore better suited for uncovering brainbehaviour correlations. Another limitation to this research is the small sample sizes of available clinical datasets. Deep representation learning offers a solution to this data scarcity by leveraging large-scale general datasets to learn transferable features to clinical cohorts. In this work, we investigate a method that combines LP-dimensions with transfer learning to generate clinically relevant representations of structural magnetic resonance imaging (sMRI) of the brain. We introduce psy-Aware, a contrastive learning model derived from y-Aware that incorporates LP-dimensions as weak supervision. We evaluate whether this approach improves upon standard contrastive learning using SimCLR. Our analyses focus on youth psychopathology, exploiting the large-scale, longitudinal ABCD study. This work makes three main contributions: (1) we derive a longitudinal three LP-dimensions model of youth psychopathology using exploratory factor analysis; (2) we benchmark two contrastive representation learning models on diagnosis prediction tasks; (3) we propose novel visualisations of the y-Aware loss and relate its behaviour with data distribution. We find that incorporating LP-dimensions yields comparable performances to standard contrastive learning approaches without significant improvement. We further identify the highly skewed distribution of LP-dimension as a likely limitation, suggesting that current psychiatric assessments may lack sufficient variance to fully support a dimensional approach in a broad population.

Att identifiera neurala korrelat för psykiatriska tillstånd är ett grundläggande steg mot precisionspsykiatri – ett paradigm som syftar till att upptäcka biomarkörer för tidig diagnostik eller personcentrerade behandlingsval, för att i slutändan förbättra patienters livskvalitet. Historiskt sett har framstegen dock hämmats av att psykiatriska diagnoser klassificerats som diskreta enheter, vilket misstänks sakna överensstämmelse med tillståndens underliggande biologi. Som ett svar på detta har moderna ramverk omdefinierat psykiatriska fenotyper som kontinuerliga dimensioner. Dessa är förankrade i biologiska och beteendemässiga observationer och är därmed bättre lämpade för att identifiera korrelationer mellan hjärna och beteende. En annan begränsning för denna forskning är den ringa storleken på tillgängliga kliniska dataset. Representationsinlärning erbjuder en lösning på denna databrist genom att utnyttja storskaliga, generella dataset för att lära sig överförbara särdrag för kliniska kohorter. I detta arbete undersöker vi en metod som kombinerar ett dimensionellt förhållningssätt till psykiatri med överföringsinlärning för att generera kliniskt relevanta representationer av strukturell magnetresonanstomografi av hjärnan. Vi introducerar psy-Aware, en kontrastiv inlärningsmodell som bygger på y-Aware och som integrerar psykopatologiska faktorer som svag övervakning under träning. Vi utvärderar huruvida detta tillvägagångssätt förbättrar standardmetoder för kontrastiv inlärning, såsom SimCLR. Analyserna fokuserar på psykopatologi hos barn och ungdomar och utnyttjar den storskaliga, longitudinella ABCD-studien. Arbetet ger tre huvudsakliga bidrag: (1) härledning av en longitudinell trefaktormodell för ungdomars psykopatologi med hjälp av explorativ faktoranalys; (2) en jämförande utvärdering av två kontrastiva representationsinlärningsmodeller på diagnostiska prediktionsuppgifter; samt (3) introduktion av nya visualiseringar av y-Aware-förlustfunktionen och en analys av dess beteende i relation till datadistributionen. Våra resultat visar att integrering av psykopatologiska dimensioner ger jämförbar prestanda med standardiserad kontrastiv inlärning, utan signifikant förbättring. Vidare identifierar vi den starkt snedfördelade fördelningen av latenta psykopatologiska faktorer som en sannolik begränsning, vilket tyder på att nuvarande psykiatriska bedömningsinstrument kan sakna tillräcklig varians för att fullt ut stödja ett dimensionellt angreppssätt i breda populationsstudier.