[论文解读] Extracting Universal Representations of Cognition across Brain-Imaging Studies

Arthur Mensch, Julien Mairal+2 more|arXiv (Cornell University)|Sep 17, 2018

Functional Brain Connectivity Studies参考文献 55被引用 3

一句话总结

该论文提出了一种多任务学习框架，可在无需统一认知理论的前提下，从35项任务-fMRI研究中提取通用大脑表征。通过共享参数联合训练线性解码模型，该方法提升了统计功效，并使80%的研究解码准确率得到提高，揭示了对心理操控具有调制作用的可解释脑网络。

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.

研究动机与目标

• 解决尽管数据量不断增长，但个体fMRI研究仍存在统计功效不足的问题。
• 克服标准元分析的局限性，后者需要统一的认知理论且会牺牲特异性。
• 通过提取共享大脑表征，实现对具有不同任务范式的多样化fMRI研究的联合分析。
• 通过利用大规模多任务数据，提升小规模聚焦研究中的解码性能。
• 开发可重复使用、可解释的脑网络，作为未来神经影像学研究的通用先验知识。

提出的方法

• 将多任务线性解码建模为每个研究作为独立任务，各自具有独特的脑响应映射。
• 在研究之间共享模型参数，以发现心理操控下脑响应的共性。
• 使用非凸优化和正则化技术，在35项多样化fMRI研究上训练联合模型。
• 提取可预测跨任务心理过程的共享脑表征，形成可解释的功能网络。
• 在每项研究的对比图上进行模型训练，无需人工标注或跨研究对齐。
• 将学习到的表征公开发布，以供新研究和多研究解码工具中的重复使用。

实验结果

研究问题

• RQ1 是否可以在无需统一认知框架的前提下，从多样化fMRI研究中提取脑表征？
• RQ2 与单独分析每项fMRI研究相比，联合分析多份fMRI研究是否能提升解码性能？
• RQ3 来自大规模数据的共享表征是否能增强小规模聚焦研究中的统计功效？
• RQ4 提取的脑网络在已知功能解剖学背景下是否具有可解释性和生物学合理性？
• RQ5 所学表征在多大程度上能泛化到新的、未见过的认知范式？

主要发现

• 该方法在所分析的35项任务-fMRI研究中，有80%的研究提升了解码性能，且在各类任务中平均准确率均有提升。
• 在局部定位任务中，面部刺激与基线对比的解码准确率达到99%，房屋刺激与随机图像对比的准确率达到100%，表明结果具有高度可靠性。
• 在听觉压缩任务中，视觉语言刺激与瓶颈刺激对比的解码准确率达到99%，表明方法在不同感觉模态间具有鲁棒性。
• 该方法显著提升了小样本研究的性能，例如在外语任务中准确率提升了3%（法语 vs. 韩语：97% vs. 93%）。
• 提取的脑表征具有可解释性，能够勾勒出与特定心理操控相关联的合理功能脑结构。
• 通过利用研究间的共享信息，该方法在性能上优于单研究解码，即使任务之间无法直接比较也依然有效。