[논문 리뷰] Neural Topographic Factor Analysis for fMRI Data

Eli Sennesh, Zulqarnain Khan외 5명|arXiv (Cornell University)|2019. 06. 21.

Functional Brain Connectivity Studies참고 문헌 32인용 수 4

한 줄 요약

이 논문은 fMRI 데이터에서 참가자와 자극에 대한 구조적 임bedding을 추론하는 확률적 생성 모델인 신경형 지형 요인 분석(NTFA)을 제안한다. 이 모델은 개인별 및 자극별 신경 반응을 분리하여 모델링할 수 있게 하여, 새로운 데이터에 대한 예측 일반화 능력을 향상시키고 불확실성 추정을 제공한다. NTFA는 PCA 및 SRM 기준선보다 개인과 자극 간의 신경 반응 차이를 더 잘 포착하며, 예측 일반화 성능이 뛰어나다.

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.

연구 동기 및 목표

• 작은 표본 크기에도 불구하고 fMRI 데이터에서 개인 간 차이를 모델링하는 데 도전하는 것.
• 참가자와 자극 간의 변동성을 명시적으로 표현하는 확률적 요인 분석 모델을 개발하는 것.
• 기존의 지형 기반 방법보다 새로운 참가자-자극 조합에 대한 더 나은 예측 일반화를 가능하게 하는 것.
• 임bed딩의 불확실성을 추정하여 의미 있는 신경 반응 차이를 탐지할 수 있는 신뢰도를 제공하는 것.
• 다중체적 패턴 분석 및 기능적 연결성과 같은 후행 작업에서의 유용성을 보여주는 것.

제안 방법

• NTFA는 참가자 및 자극 임bedding을 기반으로 공간 요인과 가중치에 대한 조건부 분포를 생성하는 신경망 사전분포를 학습함으로써, 지형 요인 분석(TFA)을 확장한다.
• 다층 퍼셉트론을 사용하여 참가자 및 자극의 임bedding을 기반으로 요인의 위치, 크기, 가중치를 예측한다.
• 모든 fMRI 스캔이 공간적·시간적으로 일관된 요인들의 선형 조합으로 모델링되는 구조적 확률적 생성 프레임워크를 사용한다.
• 참가자 및 자극의 임bedding은 변분 추론을 통해 관측된 fMRI 데이터의 주변 가능도를 최대화하도록 엔드 투 엔드로 훈련된다.
• 임bed딩의 불확실성은 사후 분산을 통해 캡처되며, 이는 참가자 또는 자극 표현 간의 차이에 대한 신뢰도 평가를 가능하게 한다.
• 모델은 합성 데이터와 실제 fMRI 데이터셋(파ilot 연구 및 두 개의 공개 데이터셋: Lepping et al., 2016; Haxby et al., 2001)을 사용하여 평가된다.

실험 결과

연구 질문

• RQ1 NTFA는 신경 반응 패턴이 구분 가능한 합성 fMRI 데이터에서 참가자와 자극의 진정한 클러스터 구조를 회복할 수 있는가?
• RQ2 파ilot fMRI 연구에서 NTFA는 알려진 신경 반응 차이를 반영한 의미 있고 해석 가능한 임bedding을 추론할 수 있는가?
• RQ3 NTFA의 예측 성능은 보존된 참가자-자극 쌍에 대해 PCA 및 SRM 기준선과 비교해 어떻게 되는가?
• RQ4 NTFA가 추론한 임bedding은 감정 자극 및 물체 인식을 포함한 이전에 보고된 결과와 얼마나 일치하는가?
• RQ5 NTFA의 임bedding에서 유도된 불확실성 추정치는 자극 또는 참가자 간의 신경 반응 차이를 신뢰성 있게 탐지하는 데 사용될 수 있는가?

주요 결과

• 합성 데이터에서 NTFA는 참가자와 자극의 진정한 클러스터 구조를 성공적으로 복원하여, 기저의 신경 반응 패턴을 모델링할 수 있음을 입증했다.
• 내부 파ilot 연구에서 NTFA는 위협 관련 자극 카테고리 간에 명확한 신경 반응 패턴의 차이를 보여주는 자극 임bedding을 추론하였다. 이는 실험 가설과 일치했다.
• Lepping et al. (2016) 데이터셋에서 NTFA는 주요 우울 장애(MDD) 환자와 대조군 간에 감정적 성향을 띤 소리 및 음악에 대한 신경 반응의 알려진 차이를 잘 반영한 임bedding을 추론하였다.
• Haxby et al. (2001) 데이터셋에서 NTFA는 알려진 기능적 특수화를 포착하였으며, 얼굴, 물체, 왜곡된 이미지 카테고리 간에 명확한 분리가 이루어진 임bedding을 보였다.
• NTFA는 특히 새로운 참가자-자극 조합에 대한 예측을 수행하는 제로샷 설정에서 PCA 및 SRM 기준선보다 예측 일반화 성능이 뛰어나게 성과를 냈다.
• NTFA의 불확실성 추정치를 통해 신뢰성 있게 유의미한 차이를 탐지할 수 있었다: 평균이 여러 표준편차 이상 떨어진 임bedding은 신뢰할 수 있는 차이로 간주되었으며, 이는 신경 반응 차이의 강력한 추론을 뒷받침했다.