[论文解读] Learning Neural Representations of Human Cognition across Many fMRI Studies

Arthur Mensch, Julien Mairal+3 more|arXiv (Cornell University)|Oct 31, 2017

Functional Brain Connectivity Studies参考文献 35被引用 19

一句话总结

该论文提出了一种多任务学习框架，联合分析多个fMRI研究，以学习大脑活动图谱的低维、认知感知表征。通过应用多尺度降维和Dropout正则化投影，该模型提升了跨数据集的心理状态分类性能，在小样本数据集上表现优越，并在无需预定义本体论或任务对应关系的情况下，揭示了可解释的通用认知模板。

ABSTRACT

Cognitive neuroscience is enjoying rapid increase in extensive public brain-imaging datasets. It opens the door to large-scale statistical models. Finding a unified perspective for all available data calls for scalable and automated solutions to an old challenge: how to aggregate heterogeneous information on brain function into a universal cognitive system that relates mental operations/cognitive processes/psychological tasks to brain networks? We cast this challenge in a machine-learning approach to predict conditions from statistical brain maps across different studies. For this, we leverage multi-task learning and multi-scale dimension reduction to learn low-dimensional representations of brain images that carry cognitive information and can be robustly associated with psychological stimuli. Our multi-dataset classification model achieves the best prediction performance on several large reference datasets, compared to models without cognitive-aware low-dimension representations, it brings a substantial performance boost to the analysis of small datasets, and can be introspected to identify universal template cognitive concepts.

研究动机与目标

• 为解决跨研究异质性fMRI数据聚合以提取结构化认知知识的挑战。
• 开发一种可扩展、自动化的低维大脑表征学习方法，该表征携带关于心理任务的预测信息。
• 实现在无需显式任务对应关系或本体论的前提下，从大型fMRI数据仓库向新小样本数据集进行迁移学习。
• 通过共享表征学习联合建模多样化fMRI实验，发现通用认知构建模块。

提出的方法

• 该模型使用共享投影矩阵对统计大脑图谱执行两次连续的线性降维，以学习低维、认知感知的表征。
• 采用因子分解的非凸优化方法并结合Dropout正则化，以提升泛化能力并避免过拟合，尤其在小样本数据集上表现更优。
• 通过跨研究共享权重学习全局表征空间，实现在任务标签不同的数据集之间进行知识迁移。
• 最终的分类头从低维表征中预测心理状态，测试时通过概率向量和词云实现可解释性分析。
• 使用无监督降维对静息态数据进行保守初始化，以保持认知信号的完整性。
• 采用随机优化方法端到端训练，使模型可扩展至大规模多数据集fMRI仓库。

实验结果

研究问题

• RQ1 能否在多个fMRI研究间学习到统一的、低维的大脑活动图谱表征，以提升心理状态的分类性能？
• RQ2 具有认知感知投影的多数据集表征学习在小样本或有限数据集上的性能提升程度如何？
• RQ3 在不依赖预定义本体论或任务映射的前提下，该模型在多大程度上能揭示可解释的通用认知概念？
• RQ4 Dropout正则化在有限数据下的fMRI表征学习中对泛化能力的提升作用是什么？
• RQ5 该模型能否识别出在异质实验设计下支撑多样化认知过程的共享神经构建模块？

主要发现

• 与缺乏认知感知低维表征的模型相比，该模型在多个大型参考fMRI数据集上实现了更优的预测性能。
• 引入认知感知投影层显著提升了模型在外部样本上的分类准确率，尤其在小样本数据集上表现突出。
• 通过将概率向量可视化为词云，模型成功揭示了可解释的认知模板——即大脑图谱对与相关认知概念的配对。
• Dropout正则化至关重要：即使求解相同的因子分解优化问题，无Dropout的模型性能仍明显下降。
• 与采用迹范数正则化的凸多任务学习相比，该模型采用的非凸、显式因子分解形式在准确率和训练效率上均表现更优。
• 该模型通过将表征建立在共享认知概念基础上，实现了从现有fMRI数据仓库向新任务数据的迁移学习。