[논문 리뷰] Extracting Universal Representations of Cognition across Brain-Imaging Studies

Arthur Mensch, Julien Mairal외 2명|arXiv (Cornell University)|2018. 09. 17.

Functional Brain Connectivity Studies참고 문헌 55인용 수 3

한 줄 요약

이 논문은 통합된 인지 이론이 필요 없이 35개의 태스크-fMRI 연구 간에 일반적인 뇌 표현을 추출하는 다중 작업 학습 프레임워크를 제안한다. 공유 파rameter를 가진 선형 복원 모델을 함께 훈련시킴으로써 통계적 검정력이 향상되고, 80%의 연구에서 복원 정확도가 향상되어 심리적 조작에 맞춰 조정된 해석 가능한 뇌 네트워크를 드러낸다.

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.

연구 동기 및 목표

• 데이터 가용성이 증가하고 있음에도 불구하고 개별 fMRI 연구에서 통계적 검정력이 낮은 문제를 해결한다.
• 통합된 인지 이론이 필요하고 특이성을 상실하는 표준 메타분석의 한계를 극복한다.
• 다양한 태스크 프로토콜을 가진 fMRI 연구들을 함께 분석할 수 있도록 공유된 뇌 표현을 추출함으로써 가능하게 한다.
• 대규모 다중 작업 데이터를 활용해 소규모 집중 연구의 복원 성능을 향상시킨다.
• 미래의 신경영상 연구를 위한 일반적인 사전 지식으로 사용할 수 있는 재사용 가능하고 해석 가능한 뇌 네트워크를 개발한다.

제안 방법

• 각 연구를 별개의 작업으로 간주하고, 뇌 반응 매핑이 개별적인 다중 작업 선형 복원을 수립한다.
• 심리적 조작에 대한 뇌 반응의 공통성을 발견하기 위해 연구 간 모델 파rameter를 공유한다.
• 비볼록 최적화 및 정규화 기법을 사용해 35개의 다양한 fMRI 연구에서 공동 모델을 훈련한다.
• 다양한 작업 간 정신 과정을 예측할 수 있는 공유된 뇌 표현을 추출하고, 해석 가능한 功能 네트워크를 형성한다.
• 수동적 애너테이션이나 교차 연구 정렬이 필요 없이 각 연구의 대조 지도를 기반으로 모델을 훈련한다.
• 학습된 표현을 공개하여 새로운 연구 및 다중 연구 복원 도구에서 재사용할 수 있도록 한다.

실험 결과

연구 질문

• RQ1 통합된 인지 프레임워크가 없이도 다양한 fMRI 연구 간에 뇌 표현을 추출할 수 있는가?
• RQ2 다양한 fMRI 연구를 함께 분석하는 것이 개별 연구 분석보다 복원 성능을 향상시키는가?
• RQ3 대규모 데이터에서 유도된 공유 표현이 소규모 집중 연구에서 통계적 검정력을 향상시키는가?
• RQ4 추출된 뇌 네트워크는 알려진 기능 해부학과 일치하는가, 즉 해석 가능하고 생물학적으로 타당한가?
• RQ5 학습된 표현이 새로운, 알려지지 않은 인지 프로토콜에 얼마나 일반화되는가?

주요 결과

• 분석한 35개 태스크-fMRI 연구 중 80%에서 복원 성능이 향상되었으며, 작업 간 평균 정확도 향상이 관찰되었다.
• 로컬라이저 태스크에서 얼굴 대 기저선 비교 시 복원 정확도가 99%에 도달했고, 집 대 뒤섞인 이미지 비교 시 100%에 도달하여 높은 신뢰성을 보였다.
• 청각 압축 태스크에서 시각적 언어 자극 대 블로킹 지점 비교 시 99%의 정확도를 기록하여 다양한 감각 모ality에 걸쳐 뛰어난 내성성을 입증했다.
• 소규모 연구에서도 유의미한 성능 향상이 이루어졌으며, 예를 들어 외국어 태스크에서 프랑스어 대 한국어 비교 시 정확도가 3% 향상되어 97%에서 93%로 향상되었다.
• 추출된 뇌 표현은 해석 가능했으며, 특정 심리적 조작과 관련된 타당한 기능 뇌 구조를 묘사했다.
• 작업 간 직접 비교가 어려운 경우에도 연구 간 공유 정보를 활용함으로써 단일 연구 복원보다 뛰어난 성능을 보였다.