[論文レビュー] Mapping individual differences in cortical architecture using multi-view representation learning

Akrem Sellami, François-Xavier Dupé+5 more|arXiv (Cornell University)|Apr 1, 2020

Functional Brain Connectivity Studies参考文献 34被引用数 8

ひとこと要約

本論文では、タスクfMRIとリストfMRIデータを統合して共有の潜在表現に変換するマルチビュー深層オートエンコーダーを提案し、脳機能における個人差の予測を向上させることを目的としている。この手法は単一モodalモデルを上回り、R² = 0.294（MSE = 0.050）を達成し、音声処理に関連する既知の機能的ネットワークと整合する生物学的に妥当で解釈可能な脳マップを生成する。

ABSTRACT

In neuroscience, understanding inter-individual differences has recently emerged as a major challenge, for which functional magnetic resonance imaging (fMRI) has proven invaluable. For this, neuroscientists rely on basic methods such as univariate linear correlations between single brain features and a score that quantifies either the severity of a disease or the subject's performance in a cognitive task. However, to this date, task-fMRI and resting-state fMRI have been exploited separately for this question, because of the lack of methods to effectively combine them. In this paper, we introduce a novel machine learning method which allows combining the activation-and connectivity-based information respectively measured through these two fMRI protocols to identify markers of individual differences in the functional organization of the brain. It combines a multi-view deep autoencoder which is designed to fuse the two fMRI modalities into a joint representation space within which a predictive model is trained to guess a scalar score that characterizes the patient. Our experimental results demonstrate the ability of the proposed method to outperform competitive approaches and to produce interpretable and biologically plausible results.

研究の動機と目的

• タスクfMRI（活性化に基づく）とリストfMRI（結合性に基づく）データを統合して、脳機能における個人差をモデル化する課題に取り組むこと。
• 異種fMRIモダリティを統合表現空間にマッピングする機械学習フレームワークを開発し、予測モデリングの性能を向上させること。
• モデルの予測結果を既知の機能的脳ネットワークに関連付けることで、解釈可能で神経科学的に意味のある結果を生成すること。
• 認知機能に関する行動スコアの予測において、マルチモーダル統合が単一モダリティアプローチを上回ることを示すこと。

提案手法

• タスクfMRIとリストfMRIのボトルネック層を連結することで、共有の潜在表現を学習するマルチビュー深層オートエンコーダー（MDAE）を用いる。
• MDAEはエンコーダーとデコーダーで異なる活性化関数（ReLU、シグモイド、線形）を採用し、fMRIモダリティ間の非線形関係をモデル化する。
• 融合された潜在空間でトレース回帰モデルを訓練し、認知課題のパフォーマンスや疾患の重症度など、スカラーの行動スコアを予測する。
• この手法は、活性化パターンと結合性パターンの両方から得られる補完的情報を保持する共同表現空間を提供する。
• トレース回帰係数を用いて回帰重みを脳領域にマッピングすることで、解釈可能性を実現する。
• 音声認識に関する公開データセットを用い、モダリティ貢献度を評価するためのアブレーションスタディを実施する。

実験結果

リサーチクエスチョン

• RQ1 マルチビュー深層オートエンコーダーは、タスクfMRIとリストfMRIデータを、個人差のモデリングに有用な共有で情報豊富な潜在表現に効果的に統合できるか？
• RQ2 活性化に基づくと結合性に基づくfMRI特徴を統合することで、単一モダリティモデルに比べて行動スコアの予測精度が向上するか？
• RQ3 得られた予測モデルは解釈可能であり、既知の機能的脳ネットワークに関する神経科学的知見と整合的か？
• RQ4 タスクfMRIとリストfMRIの間で、最終的な予測性能に寄与する相対的寄与度はどの程度か？
• RQ5 統合された表現は、小さなが意味のある脳ネットワーク効果を検出するための統計的パワーを向上させることができるか？

主な発見

• ボトルネック層を連結したマルチビューオートエンコーダーは、入力を連結したモデルを上回り、平均二乗誤差（MSE）が0.050で最小（R² = 0.294）を達成した。
• 予測性能が最も高かったのは、タスクfMRIから8つの特徴（全10特徴中）、リストfMRIから2つの特徴（全10特徴中）を抽出した場合であり、タスクfMRIが予測に寄与していることが示された。
• MDAE（ReLU, シグモイド）アーキテクチャと10次元の潜在空間を採用したモデルが最も安定した結果を示し、R² = 0.294 ± 0.0048の安定した性能を達成した。
• 統合表現から得られたトレース回帰重みマップは、左右の上側 temporal gyri および前中央/下側前頭回に顕著な大規模なクラスタを示し、既知の音声処理ネットワークと整合的であった。
• 従来の小規模サンプルでは難しかった前頭前野領域が、統合表現によって検出可能となり、統合表現による統計的パワーの向上が示された。
• 神経科学的解釈において、結果は聴覚処理に関する既存の文献と強く一貫しており、本手法の生物学的妥当性が裏付けられた。