[论文解读] Neural Topographic Factor Analysis for fMRI Data

Eli Sennesh, Zulqarnain Khan+5 more|arXiv (Cornell University)|Jun 21, 2019

Functional Brain Connectivity Studies参考文献 32被引用 4

一句话总结

该论文提出神经拓扑因子分析（NTFA），一种概率生成模型，可为fMRI数据中的参与者和刺激物推断结构化嵌入，实现对个体特异性和刺激特异性神经反应的解耦建模。NTFA在未见数据上的预测泛化能力得到提升，并提供不确定性估计，在捕捉个体与刺激间神经反应差异方面优于PCA和SRM基线方法。

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.

研究动机与目标

• 为解决在小样本量下建模fMRI数据中个体差异的挑战。
• 开发一种显式表示参与者与刺激物间变异的概率因子分析模型。
• 与现有拓扑方法相比，实现对未见参与者-刺激组合更好的预测泛化能力。
• 提供嵌入的不确定性估计，从而支持对有意义神经反应差异的置信度判断。
• 在多体素模式分析和功能连接性等下游任务中展示其有效性。

提出的方法

• NTFA通过学习一个神经网络先验，将参与者和刺激物嵌入映射到空间因子和权重的条件分布，从而扩展了拓扑因子分析（TFA）。
• 利用多层感知机基于参与者和刺激物的嵌入学习预测因子位置、大小和权重。
• 该模型采用结构化概率生成框架，将每次fMRI扫描建模为时空一致因子的线性组合。
• 通过变分推断端到端训练参与者和刺激物的嵌入，以最大化观测fMRI数据的边缘似然。
• 通过后验方差捕捉嵌入的不确定性，从而支持对参与者或刺激物表征差异的置信度评估。
• 模型在合成数据和真实fMRI数据集（包括一项试点研究和两个公开数据集：Lepping et al., 2016；Haxby et al., 2001）上进行评估。

实验结果

研究问题

• RQ1 在具有可区分神经反应模式的合成fMRI数据中，NTFA能否恢复参与者和刺激物的真实潜在聚类结构？
• RQ2 在一项fMRI试点研究中，NTFA能否推断出反映已知刺激类别间神经反应差异的有意义且可解释的嵌入？
• RQ3 NTFA在保留的参与者-刺激对上的预测性能与PCA和SRM基线相比如何？
• RQ4 推断出的嵌入在多大程度上与公开fMRI数据集中已报道的发现一致，例如涉及情绪刺激和物体识别的研究？
• RQ5 NTFA嵌入的不确定性估计能否可靠地检测出刺激或参与者之间神经反应的显著差异？

主要发现

• 在合成数据中，NTFA成功恢复了参与者和刺激物的真实聚类结构，证明其具备建模潜在神经反应模式的能力。
• 在内部试点研究中，NTFA推断出的刺激物嵌入揭示了与威胁相关刺激类别间不同的神经反应模式，与实验假设一致。
• 在Lepping et al. (2016)数据集中，NTFA推断出的嵌入与重度抑郁障碍（MDD）与对照组在情绪化声音和音乐刺激下神经反应差异的已知模式一致。
• 在Haxby et al. (2001)数据集中，NTFA捕捉到了已知的功能特化，其嵌入在面孔、物体和模糊图像类别间表现出清晰分离。
• NTFA在预测泛化方面优于PCA和SRM基线，尤其在零样本设置下，即模型对新参与者-刺激组合进行响应预测时表现更优。
• NTFA的不确定性估计支持了可靠差异检测：均值相距数个标准差的嵌入被确认为显著不同，支持对神经反应差异的稳健推断。