[論文レビュー] Towards a Cognitive Computational Neuroscience of Auditory Phantom Perceptions

Patrick Krauß, Achim Schilling|arXiv (Cornell University)|Oct 5, 2020

Hearing, Cochlea, Tinnitus, Genetics参考文献 14被引用数 5

ひとこと要約

本論文は、人工知能、神経科学、心理学を生物学的に妥当な計算モデルを通じて統合することにより、耳鳴りの理解のための認知計算神経科学フレームワークを提案する。仮説検証のみでは機構的洞察が得られないと主張する。代わりに、特にディープラーニングにインspiredされたタスク実行モデルを構築・精錬することで、神経および行動データとの整合性のとれた予測、およびシミュレーション上の治療法のテストが可能となり、データドリブンな手法を越えた耳鳴り研究の前進が可能になる。

ABSTRACT

In order to gain a mechanistic understanding of how tinnitus emerges in the brain, we must build biologically plausible computational models that mimic both tinnitus development and perception, and test the tentative models with brain and behavioral experiments. With a special focus on tinnitus research, we review recent work at the intersection of artificial intelligence, psychology and neuroscience, indicating a new research agenda that follows the idea that experiments will yield theoretical insight only when employed to test brain-computational models. This view challenges the popular belief, that tinnitus research is primarily data limited, and that producing large, multi-modal, and complex datasets, analyzed with advanced data analysis algorithms, will finally lead to fundamental insights into how tinnitus emerges. However, there is converging evidence that although modern technologies allow assessing neural activity in unprecedentedly rich ways in both, animals and humans, empirical testing one verbally defined hypothesis about tinnitus after another, will never lead to a mechanistic understanding. Instead, hypothesis testing needs to be complemented with the construction of computational models that generate verifiable predictions. We argue, that even though, contemporary artificial intelligence and machine learning approaches largely lack biological plausibility, the models to be constructed will have to draw on concepts from these fields, since they have already proven to do well in modeling brain function. Nevertheless, biological fidelity will have to be increased successively, leading to ever better and fine-grained models, allowing at the end for even testing possible treatment strategies in silico, before application in animal or patient studies.

研究の動機と目的

• データドリブンな耳鳴り研究の限界を克服し、データ蓄積から理論駆動のモデリングへ焦点を移す。
• 神経および認知プロセスを模倣する生物学的に妥当な計算モデルを通じて、耳鳴りの発生の機構的理解を確立する。
• 人工知能と神経科学を統合し、神経動態と知覚経験の間のギャップを埋めるモデルを開発する。
• 動物実験や臨床試験の前段階で、実世界の実験に依存することなく、潜在的な耳鳴り治療法のシミュレーション上のテストを可能にする。
• 脳にインスパイアされたモデルを用いることで、機械学習の改善およびディープラーニングシステムの解釈を可能にし、神経科学と人工知能の双方を前進させる。

提案手法

• ニューロン、シナプス、神経回路のレベルで神経動態を模倣する、生物学的に妥当な聴覚処理の計算モデルを開発する。
• ディープラーニングおよび人工ニューラルネットワークを、音声認識などの聴覚認識タスクのモデリングの初期アルゴリズムの青写真として用いる。
• レベル分析フレームワーク（計算的、アルゴリズム的、実装的）を用いて、モデル開発と検証を構造化する。
• 経験的脳データおよび行動データと照合することでモデルを検証し、繰り返しの改良によって生物学的妥当性を段階的に向上させる。
• モデルのダイナミクスおよび内部表現を用いて、耳鳴りの背後にある神経機構に関する検証可能な予測を生成する。
• 仮説的な耳鳴り治療法のイン・シリコシミュレーションを実施し、実世界の実験に先立ってその有効性を評価する。

実験結果

リサーチクエスチョン

• RQ1 計算モデルは、記述的データ分析を越えて、耳鳴り発生の機構的説明をどのように提供できるか？
• RQ2 人工知能およびディープラーニングモデルは、耳鳴り知覚に関連する脳機能を模倣する上で、果たす役割は何か？
• RQ3 生物学的妥当性が高まるモデルは、イン・シリコで潜在的耳鳴り治療法の予測とテストにどのように利用できるか？
• RQ4 認知計算神経科学は、耳鳴りにおける神経活動と主観的知覚の間のギャップを、どのような方法で埋め合わせるか？
• RQ5 モデルに基づく仮説生成は、純粋にデータドリブンな手法と比較して、耳鳴り研究の効率性および深さをどのように向上させるか？

主な発見

• 仮説検証のみでは耳鳴りの機構的理解は得られず、計算モデリングによる統合的合成が不可欠である。
• 人工知能およびディープラーニングモデルは、形式的・アルゴリズム的明確性の高さから、聴覚認識のモデリングの出発点として実用的である。
• 計算モデルは、神経および知覚現象に関する検証可能な予測を生成でき、繰り返しの改良と検証を可能にする。
• モデルの生物学的妥当性の向上は、神経プロセスのより正確なシミュレーションと、経験的データとのより良い整合性を可能にする。
• 耳鳴り治療法のイン・シリコテストは実現可能であり、動物実験への依存を減らす可能性を有する。
• 認知計算神経科学は、相互に前進をもたらす：神経科学は人工知能にインスパイアを与え、人工知能は複雑な神経動態の解釈を支援する。