[論文レビュー] Extracting Universal Representations of Cognition across Brain-Imaging Studies

Arthur Mensch, Julien Mairal+2 more|arXiv (Cornell University)|Sep 17, 2018

Functional Brain Connectivity Studies参考文献 55被引用数 3

ひとこと要約

本論文は、統一された認知理論を必要とせず、35件のタスクfMRI研究にまたがる普遍的な脳表現を抽出するマルチタスク学習フレームワークを提案する。共有パラメータを用いた線形デコードモデルを同時に訓練することで、統計的パワーを向上させ、80%の研究でデコード精度を向上させ、心理的操作にチューニングされた解釈可能な脳ネットワークを明らかにした。

ABSTRACT

Cognitive brain imaging is accumulating datasets about the neural substrate of many different mental processes. Yet, most studies are based on few subjects and have low statistical power. Analyzing data across studies could bring more statistical power; yet the current brain-imaging analytic framework cannot be used at scale as it requires casting all cognitive tasks in a unified theoretical framework. We introduce a new methodology to analyze brain responses across tasks without a joint model of the psychological processes. The method boosts statistical power in small studies with specific cognitive focus by analyzing them jointly with large studies that probe less focal mental processes. Our approach improves decoding performance for 80% of 35 widely-different functional-imaging studies. It finds commonalities across tasks in a data-driven way, via common brain representations that predict mental processes. These are brain networks tuned to psychological manipulations. They outline interpretable and plausible brain structures. The extracted networks have been made available; they can be readily reused in new neuro-imaging studies. We provide a multi-study decoding tool to adapt to new data.

研究の動機と目的

• データ量の増加にもかかわらず、個々のfMRI研究における統計的パワーの低さに対処する。
• 統一された認知理論を必要とし、特異性を損なう標準的メタアナリシスの限界を克服する。
• 異なるタスクパラダイムを有する多様なfMRI研究の共同解析を可能にするために、共有脳表現を抽出する。
• 大規模かつマルチタスクなデータを活用することで、小規模で焦点を絞った研究におけるデコード性能を向上させる。
• 将来の神経画像研究のための普遍的な事前知識として再利用可能で解釈可能な脳ネットワークを開発する。

提案手法

• 各研究を個別のタスクとして扱い、それぞれに固有の脳反応マッピングを持つマルチタスク線形デコードを定式化する。
• 研究間でモデルパラメータを共有することで、心理的操作に対する脳反応の共通性を同定する。
• 非凸最適化と正則化技術を用いて、35件の多様なfMRI研究にわたる統合モデルを訓練する。
• 異なるタスク間で精神的プロセスを予測できる共有脳表現を抽出し、解釈可能な機能的ネットワークを構築する。
• 手動によるアノテーションやクロススタディのアライメントを必要とせず、各研究の対比マップをもとにモデルを訓練する。
• 学習された表現を公開し、新しい研究やマルチスタディデコードツールにおける再利用を可能にする。

実験結果

リサーチクエスチョン

• RQ1 統一された認知フレームワークを必要とせず、多様なfMRI研究にまたがる脳表現を抽出できるか？
• RQ2 複数のfMRI研究を共同で分析することで、個々の研究の分析に比べてデコード性能が向上するか？
• RQ3 大規模データから得た共有表現が、小規模で焦点を絞った研究における統計的パワーを向上させられるか？
• RQ4 抽出された脳ネットワークは、既知の機能的解剖学的構造と整合的で解釈可能か？
• RQ5 学習された表現が、新たな未観測の認知パラダイムへどの程度一般化できるか？

主な発見

• 分析対象の35件のタスクfMRI研究のうち80%でデコード性能が向上し、タスク平均で精度向上が確認された。
• ローカライザー課題では、顔対ベースラインで99%、家対スクランブルで100%の精度に達し、高い信頼性を示した。
• 聴覚的圧縮課題では、視覚的言語対ボトルネックで99%の精度を達成し、感覚モalityを越えた頑健性を示した。
• 小規模な研究においても顕著な改善が見られ、例えば外国語課題ではフランス語対韓国語で3%の精度向上（97%対93%）を達成した。
• 抽出された脳表現は解釈可能であり、特定の心理的操作に関連する妥当な機能的脳構造を明確に示した。
• タスクが直接比較可能でない場合でも、研究間で共有される情報を利用することで、単一研究のデコードを上回る性能を発揮した。