[논문 리뷰] Towards a Cognitive Computational Neuroscience of Auditory Phantom Perceptions

Patrick Krauß, Achim Schilling|arXiv (Cornell University)|2020. 10. 05.

Hearing, Cochlea, Tinnitus, Genetics참고 문헌 14인용 수 5

한 줄 요약

이 논문은 신경과학, 인공지능, 심리학을 생물학적으로 타당한 계산 모델을 통해 통합함으로써 청각성 난청의 기계적 메커니즘을 이해하기 위한 인지계산신경과학 프레임워크를 제안한다. 연구는 단순한 가설 검증만으로는 기계적 통찰을 얻을 수 없다고 주장하며, 특히 딥러닝 기반의 작업 수행 모델을 수립하고 개선하는 것이 예측, 신경 및 행동 데이터에 대한 검증, 그리고 실시간 시뮬레이션을 통한 치료법 테스트를 가능하게 하여 데이터 기반 접근 방식을 뛰어넘는 청각성 난청 연구를 진전시킨다.

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.

연구 동기 및 목표

• 데이터 기반 청각성 난청 연구의 한계를 극복하기 위해 데이터 축적에서 이론 기반 모델링으로의 전환을 목표로 한다.
• 생물학적으로 타당한 계산 모델을 통해 청각성 난청의 발생 원리를 기계적으로 이해하기 위해 신경 및 인지 과정을 시뮬레이션한다.
• 신경과학과 인공지능을 통합하기 위해 신경 동역학과 주관적 경험 사이의 격차를 메우는 모델을 개발한다.
• 실생활 실험에 앞서 동물 또는 임상 시험을 거치기 전에 실시간 시뮬레이션을 통한 잠재적 치료법의 테스트를 가능하게 하여 생체 내 실험에 대한 의존도를 줄인다.
• 뇌 기반 모델을 활용하여 기계학습을 향상시키고 딥러닝 시스템을 해석할 수 있도록 함으로써 신경과학과 인공지능의 상호 발전을 이룬다.

제안 방법

• 뉴런, 시냅스, 신경 회로 수준의 신경 동역학을 시뮬레이션하는 청각 처리의 생물학적으로 타당한 계산 모델을 개발한다.
• 딥러닝과 인공신경망을 청각 인식 작업(예: 음성 인식)을 모델링하기 위한 초기 알고리즘 블루프린트로 사용한다.
• 모델 개발과 검증을 체계화하기 위해 계산, 알고리즘, 실행 수준의 분석 프레임워크를 적용한다.
• 모델을 경험적 뇌 데이터 및 행동 데이터와 비교하여 검증하고, 개선을 통해 생물학적 정확도를 점진적으로 높인다.
• 모델의 동역학과 내부 표현을 활용해 청각성 난청의 기초가 되는 신경 기제에 대한 검증 가능한 예측을 도출한다.
• 가짜 치료법의 실시간 시뮬레이션을 수행하여 실제 실험 이전에 치료법의 유효성을 평가한다.

실험 결과

연구 질문

• RQ1 계산 모델은 기술적 데이터 분석을 뛰어넘어 청각성 난청 발생의 기계적 설명을 어떻게 제공할 수 있는가?
• RQ2 인공지능과 딥러닝 모델은 청각성 난청 인식과 관련된 뇌 기능을 시뮬레이션하는 데 어떤 역할을 하는가?
• RQ3 점차 생물학적으로 타당성이 높아지는 모델은 실시간 시뮬레이션을 통해 잠재적 치료법의 예측과 테스트에 어떻게 활용될 수 있는가?
• RQ4 인지계산신경과학은 청각성 난청에서 신경 활동과 주관적 인식 사이의 격차를 어떻게 메울 수 있는가?
• RQ5 모델 기반 가설 생성은 순수 데이터 기반 접근 방식에 비해 청각성 난청 연구의 효율성과 깊이를 어떻게 향상시킬 수 있는가?

주요 결과

• 단순한 가설 검증만으로는 청각성 난청의 기계적 이해를 얻을 수 없으며, 계산 모델링을 통한 통합이 필수적이다.
• 인공지능과 딥러닝 모델은 그 형식적이고 알고리즘적으로 명확한 특성 덕분에 청각 인식을 모델링하기 위한 타당한 초석을 제공한다.
• 계산 모델은 검증 가능한 예측을 도출할 수 있으며, 이를 통해 반복적인 개선과 검증이 가능하다.
• 모델의 생물학적 타당성 수준을 높일수록 더 정확한 신경 과정 시뮬레이션과 경험적 데이터와의 보다 좋은 일치가 가능해진다.
• 청각성 난청 치료법의 실시간 시뮬레이션은 실현 가능하며, 이는 동물 실험의 필요성을 줄일 수 있다.
• 인지계산신경과학은 상호 발전을 이룰 수 있다: 신경과학은 인공지능에 영향을 주며, 인공지능은 복잡한 신경 동역학을 해석하는 데 도움을 준다.