[論文レビュー] Neural Topographic Factor Analysis for fMRI Data

Eli Sennesh, Zulqarnain Khan+5 more|arXiv (Cornell University)|Jun 21, 2019

Functional Brain Connectivity Studies参考文献 32被引用数 4

ひとこと要約

本稿では、fMRIデータにおける被験者および刺激の構造的埋め込みを推定する確率的生成モデルであるNeural Topographic Factor Analysis (NTFA) を提案する。NTFAは、個々の被験者および刺激固有の神経応答を分離可能にモデル化でき、未学習データに対する予測一般化性能を向上させるとともに、不確実性推定を提供する。NTFAは、PCA や SRM のベースラインを上回り、被験者および刺激間の神経応答の差をよりよく捉えている。

ABSTRACT

Neuroimaging studies produce gigabytes of spatio-temporal data for a small number of participants and stimuli. Rarely do researchers attempt to model and examine how individual participants vary from each other -- a question that should be addressable even in small samples given the right statistical tools. We propose Neural Topographic Factor Analysis (NTFA), a probabilistic factor analysis model that infers embeddings for participants and stimuli. These embeddings allow us to reason about differences between participants and stimuli as signal rather than noise. We evaluate NTFA on data from an in-house pilot experiment, as well as two publicly available datasets. We demonstrate that inferring representations for participants and stimuli improves predictive generalization to unseen data when compared to previous topographic methods. We also demonstrate that the inferred latent factor representations are useful for downstream tasks such as multivoxel pattern analysis and functional connectivity.

研究の動機と目的

• 少数のサンプルサイズでも被験者間の差をfMRIデータにモデル化する課題に対処すること。
• 被験者および刺激間の変動を明示的に表現する確率的要因分析モデルの開発。
• 従来のトポグラフィック手法と比較して、未観測の被験者-刺激ペアへのより優れた予測一般化を可能にすること。
• 埋め込みの不確実性推定を提供し、意味のある神経応答差の検出における信頼性を高めること。
• 多ボクセルパターン解析や機能的結合性といった下流タスクにおける有効性の提示。

提案手法

• NTFAは、被験者および刺激の埋め込みを条件付き空間要因および重みの分布にマップするニューラルネットワーク事前分布を学習することで、Topographic Factor Analysis (TFA) を拡張する。
• 多層パーセプトロンを用いて、学習された被験者および刺激の埋め込みに基づき、要因の位置、サイズ、重みを予測する。
• 各fMRIスキャンを空間的・時間的に一貫性のある要因の線形結合としてモデル化する、構造的確率的生成フレームワークを採用する。
• 変分推論を用いて、観測されたfMRIデータの周辺尤度を最大化するように、被験者および刺激の埋め込みをエンドツーエンドで学習する。
• 埋め込みの不確実性は事後分布の分散によって捉えられ、被験者または刺激の表現間の差の信頼性評価が可能になる。
• 合成データおよび実fMRIデータセット（パイロット研究および2つの公開データセット：Lepping et al., 2016; Haxby et al., 2001）を用いて、モデルを評価する。

実験結果

リサーチクエスチョン

• RQ1 合成fMRIデータにおいて、NTFAは、識別可能な神経応答パターンを持つ被験者および刺激の真のクラスタ構造を回復できるか？
• RQ2 パイロットfMRI研究において、NTFAは、既知の神経応答差を反映する意味的で解釈可能な埋め込みを推定できるか？
• RQ3 NTFAのホールドアウトされた被験者-刺激ペアにおける予測性能は、PCA や SRM のベースラインと比較してどうなるか？
• RQ4 NTFAが推定した埋め込みは、感情的刺激や物体認識に関連する公開fMRIデータセット（例：Lepping et al., 2016; Haxby et al., 2001）で報告された既存の知見とどの程度整合するか？
• RQ5 NTFAの埋め込みから得られる不確実性推定は、刺激間または被験者間の神経応答差を信頼性高く検出するために使用できるか？

主な発見

• 合成データでは、NTFAは被験者および刺激の真のクラスタ構造を正確に回復し、潜在的な神経応答パターンをモデル化する能力を示した。
• 自社のパイロット研究では、NTFAは、脅威関連の刺激カテゴリごとに明確に異なる神経応答パターンを示す刺激埋め込みを推定し、実験的仮説と整合した。
• Lepping et al. (2016) データセットでは、NTFAは、うつ病（MDD）被験者と対照群の間で、感情的価値を持つ音声や音楽への神経応答の既知の差を反映した埋め込みを推定した。
• Haxby et al. (2001) データセットでは、NTFAは、顔、物体、ねじれた画像のカテゴリ間で明確な分離を示す埋め込みを捉え、既知の機能的特化を再現した。
• NTFAは、特に新規の被験者-刺激ペアの予測を伴うゼロショット設定において、PCA や SRM のベースラインを上回る予測一般化性能を示した。
• NTFAの不確実性推定により、信頼性のある差の検出が可能となった：平均が数標準偏差以上離れた埋め込みは、明確に異なると自信を持って特定でき、神経応答差の強固な推論を可能にした。