[论文解读] Same Cause; Different Effects in the Brain

Mariya Toneva, Jennifer Williams+3 more|PubMed|Feb 21, 2022

Functional Brain Connectivity Studies参考文献 63被引用 5

一句话总结

本文提出了一种新框架，用于确定相同的刺激特性是否以相同方式影响不同的脑区，该方法利用编码模型的归一化区域泛化和残差分析fMRI数据。该方法在两个自然主义fMRI数据集中揭示了脑区间一致且非对称的影响，表明刺激特性通过不同的处理路径影响不同的脑区。

ABSTRACT

To study information processing in the brain, neuroscientists manipulate experimental stimuli while recording participant brain activity. They can then use encoding models to find out which brain "zone" (e.g. which region of interest, volume pixel or electrophysiology sensor) is predicted from the stimulus properties. Given the assumptions underlying this setup, when stimulus properties are predictive of the activity in a zone, these properties are understood to cause activity in that zone. In recent years, researchers have used neural networks to construct representations that capture the diverse properties of complex stimuli, such as natural language or natural images. Encoding models built using these high-dimensional representations are often able to significantly predict the activity in large swathes of cortex, suggesting that the activity in all these brain zones is caused by stimulus properties captured in the representation. It is then natural to ask: "Is the activity in these different brain zones caused by the stimulus properties in the same way?" In neuroscientific terms, this corresponds to asking if these different zones process the stimulus properties in the same way. Here, we propose a new framework that enables researchers to ask if the properties of a stimulus affect two brain zones in the same way. We use simulated data and two real fMRI datasets with complex naturalistic stimuli to show that our framework enables us to make such inferences. Our inferences are strikingly consistent between the two datasets, indicating that the proposed framework is a promising new tool for neuroscientists to understand how information is processed in the brain.

研究动机与目标

• 确定相同的刺激特性是否通过相同的处理机制引起不同脑区的活动。
• 解决语言网络中的脑区是否以统一方式处理语言刺激这一开放性问题。
• 开发一种方法，以区分不同脑区对相同刺激特征的反应是相似还是不同。
• 使神经科学家能够在刺激可预测性相同的情况下推断神经处理的功能差异。
• 在包含复杂自然主义刺激的两个大规模fMRI数据集上验证该框架。

提出的方法

• 该框架使用编码模型，从刺激的高维神经网络表征预测脑活动（fMRI体素或ROI）。
• 计算归一化区域泛化：在某一脑区训练的模型在另一脑区上测试的性能，反映共享的处理机制。
• 计算归一化区域残差：当在相同刺激表征上训练时，两个脑区预测性能的差异，反映不同的处理方式。
• 在群体和受试者两个层面应用这些指标，以评估受试者间的稳定性。
• 使用置换检验进行统计推断，以评估区域泛化和残差的显著性。
• 该框架在两个fMRI数据集上得到验证：Courtois NeuroMod 和 Human Connectome Project，使用电影和故事等自然主义刺激。

实验结果

研究问题

• RQ1 不同脑区是否以相同方式处理相同的刺激特性，还是表现出不同的反应模式？
• RQ2 我们能否检测到相同的刺激特征是否在脑区间引发不同的神经反应？
• RQ3 差异化的处理模式在参与者和数据集之间是否一致？
• RQ4 信噪比和刺激表征比例如何影响区域泛化和残差的解释？
• RQ5 我们能否区分同一刺激在不同脑区中通过共享或独特处理路径的影响？

主要发现

• 所提出的框架在Courtois NeuroMod和Human Connectome Project两个fMRI数据集中，均识别出脑区间一致的非对称处理模式。
• 在群体和受试者两个层面，ROI对的高归一化区域残差（表示处理方式不同）在两个数据集中均被一致识别。
• 区域泛化值在5至10名受试者时趋于稳定，表明共享处理机制的估计具有可靠性。
• 该框架揭示，即使两个脑区均显著由相同的刺激表征预测，刺激特性仍通过不同的神经通路影响不同脑区。
• 该方法检测到某些脑区对特定刺激特征（如句法与语义）更敏感，即使整体表征能同时预测两个脑区的活动。
• 受试者层面的结果与群体层面发现高度一致，支持该框架在个体间具有稳健性。