Unterschied zwischen Rückwärtsinferenz und Dekodierung (z. B. MVPA) in der fMRT

Kurze Antwort: Die Dekodierung ist kein Spezialfall der umgekehrten Inferenz.

Die Schwierigkeit bei der Interpretation der Ergebnisse der Neurobildgebung besteht darin, dass die Daten eine enorme Variabilität (Rauschen) aufweisen. Nehmen wir zum Beispiel an, wir versuchen, die Gehirnbereiche zu bestimmen, die mit der Emotion romantischer Liebe verbunden sind, indem wir den Probanden Bilder von engen Freunden (Bedingung 1) oder Bilder ihrer Lieben (Bedingung 2) zeigen und die Ergebnisse vergleichen. Jeder Gehirnscan kann 5-10 aktive Regionen zeigen, welche Regionen aktiv sind und in welchem ​​​​Grad zwischen den Probanden selbst in derselben Erkrankung variieren, und es gibt sogar Unterschiede in den Gehirnscans desselben Probanden über mehrere Studien hinweg.

Um mit dieser Variabilität fertig zu werden, ist der erste Schritt bei der Dateninterpretation praktisch jedes Neuroimaging-Experiments eine statistische Analyse. Dies kann von einer "Mittelwert"- oder "Rauschunterdrückungs"-Analyse bis hin zu einem Multi-Voxel/Multi-Frame-Machine-Learning-Pattern-Matching-Classifier (MVPA) reichen. Die Datenanalyse wird verwendet, um einen Prädiktor der unabhängigen Variablen zu bestimmen und auch um die Signifikanz (p-Wert) basierend auf dem Konsistenzniveau in den Daten zu berechnen. Zum Beispiel können wir erfahren, dass Personen, die Bilder ihrer Lieben betrachten (Zustand 2), 5 Bereiche ihres Gehirns haben, die die Aktivität reduzieren und 4 Bereiche die Aktivität erhöhen, im Vergleich zu Personen, die Bilder von anderen nahen Verwandten betrachten (Zustand 1). Beachten Sie, dass der Dekodierungsschritt nicht beinhaltet, das Muster als einen bestimmten mentalen Zustand zu "kennzeichnen" - ein Klassifikator wie MVPA kümmert sich nicht darum, was die Muster bedeuten, es ist nur eine mathematische Funktion, die verwendet wird, um zwischen ihnen zu unterscheiden.

In einem typischen Experiment der kognitiven Neurowissenschaften besteht der nächste Schritt darin, dem mentalen Zustand, der durch das gefundene Muster definiert wird, ein Etikett zuzuordnen – dies ist eine Vorwärtsinferenz. Um dies zu tun, bestimmen Forscher den mentalen Zustand normalerweise durch ein anderes validiertes Maß – zum Beispiel einen Fragebogen oder einen anderen Test, der dafür bekannt ist, Liebe zuverlässig zu messen . Die Forscher können schlussfolgern: „Diese Gehirnregionen werden mit dem Gefühl der romantischen Liebe in Verbindung gebracht, wenn Versuchspersonen Bilder ihrer Lieben betrachten.“ Sofort ergibt sich ein einschränkender Faktor: Dieses Aktivierungsmuster ist nur relativ zur Kontrollbedingung!

Während die Vorwärtsinferenz das Etikettieren des Musters aus der unabhängigen Variablen beinhaltet, wird die Rückwärtsinferenz verwendet, um die unabhängige Variable aus einem Aktivitätsmuster zu etikettieren. Reverse Inference gerät in Schwierigkeiten, wenn sie verwendet wird, um ein bestimmtes Aktivierungsmuster in einem anderen Kontext zu kennzeichnen. Zum Beispiel „zeigen die gleichen Bereiche des Gehirns, die mit der Emotion der Liebe in einem Experiment verbunden sind, bei dem den Probanden Bilder ihrer Lieben gezeigt wurden, auch das gleiche Aktivierungsmuster, wenn die Probanden ihre iPhones betrachten, und daher schließen wir, dass die Probanden verliebt sind mit ihren iPhones ." Beachten Sie, dass zuerst eine statistische Analyse der Daten (Decodierung) stattfinden muss, um beide Arten von kognitiven Schlussfolgerungen ziehen zu können.

Umgekehrte Inferenzen leiden unter mehreren potenziellen Fallstricken , darunter:

• Ein bestimmtes Aktivitätsmuster weist normalerweise auf unterschiedliche mentale Zustände in unterschiedlichen Kontexten hin, sodass die Annahme, dass dasselbe Muster auf „Liebe“ hinweist, ungültig ist, wenn es auf iPhones angewendet wird.
• Muster, die mithilfe einer statistischen Analyse isoliert wurden, beschreiben den mentalen Zustand normalerweise nicht vollständig, sodass die Annahme, dass das Muster ausreicht, um „Liebe“ anzuzeigen, ebenfalls ungültig ist.
• Bezeichnungen für den mentalen Zustand selbst sind kontextabhängig, subjektabhängig und sogar zeitlich variabel, so dass die Annahme, dass Subjekte ihren eigenen mentalen Zustand als „Liebe“ interpretieren würden, ebenfalls ungültig ist.
• Mentale Zustände sind nicht diskret, wie durch all das „Rauschen“ in Neuroimaging-Daten belegt wird, sodass Subjekte ihren mentalen Zustand mit einer Vielzahl unterschiedlicher Bezeichnungen identifizieren können, je nachdem, auf welchen Teil ihres mentalen Zustands sie sich konzentrieren, wobei „Liebe“ nur eine davon ist.

Reverse Inference unterliegt diesen Problemen, unabhängig davon, welche statistische Analyse verwendet wird, MVPA ist nicht immun. Viele dieser Probleme können jedoch mit einer Vielzahl von Techniken überwunden werden. MVPA ist sehr wertvoll für den Umgang mit dem ersten Problem - dank einer viel höheren "Auflösung" (Detaillierungsgrad, Datenumfang, Linearität usw.) ist es bei dieser Decodierungstechnik wesentlich weniger wahrscheinlich, dass verschiedene mentale Zustände verwechselt werden, die anscheinend gleich sind Aktivitätsmuster bei einer niedrigeren Auflösung. Eine weitere wichtige Strategie ist die Verwendung von Metaanalysen (Daten, die aus vielen verschiedenen Studien gesammelt wurden), um festzustellen, wie nützlich ein bestimmtes Muster ist, um zuverlässig auf einen mentalen Zustand zu schließen. Die Lösung der verbleibenden Probleme wird wahrscheinlich pro-Subjekt-Trainingsdaten und noch fortschrittlichere Analysetechniken erfordern, aber umgekehrte Inferenz war bereits in vielen Studien eine nützliche Methode , wenn sie sorgfältig angewendet wurde.

Ein weiterer interessanter Nebeneffekt von maschinell lernenden Musteranalysatoren besteht darin, dass sie dazu neigen, die Versuchung zu beseitigen, ungerechtfertigte Rückschlüsse zu ziehen. In den frühen Tagen, als Aktivierungsmuster "informell" waren - basierend auf der groben Anatomie - war es zu einfach, pauschale Aussagen zu machen wie : "... die Inselrinde des Gehirns, die mit Liebesgefühlen verbunden ist ... .“ Mit MVPA sind Aktivierungsmuster in menschlicher Sprache praktisch nicht zu beschreiben, sodass Maschinen Rückschlüsse ziehen müssen, die dann von Natur aus objektiver sind.

Notiz. Ich habe die Frage zunächst gescannt, meine Antwort als Konsequenz und aufgrund der gegebenen Kommentare umgeschrieben.

Wie von anderen hier hervorgehoben wurde, ist die Multi-Voxel-Musteranalyse (MVPA) eine Anwendung des maschinellen Lernens, die zum Decodieren großer Mengen komplexer Informationen (neuronale Aktivierungsmuster für bestimmte Anfragen) verwendet wird. Dies ist eine Form der Dekodierung, die verwendet werden kann, um auf eine Erkenntnis zu schließen, auch bekannt als umgekehrte Inferenz .

Das Problem der umgekehrten Inferenz wird weitgehend durch den folgenden Kommentar von Poldrak (2011) zusammengefasst ...

Die Verwendung des Denkens von der Aktivierung zu mentalen Funktionen, bekannt als „umgekehrte Inferenz“, wurde zuvor kritisiert, da sie nicht berücksichtigt, wie selektiv der Bereich durch den betreffenden mentalen Prozess aktiviert wird.

Poldrack (2011) führt weiter aus, dass informelle umgekehrte Inferenz , die auf dem Wissen eines Forschers basiert, fehlerhaft ist, weil das Wissen einer Person durch das, was sie sich merken und gelesen haben, begrenzt ist. Zusätzlich werden schlechte Interpretationen von einem Forscher zum anderen verstärkt.

Das Problem mit umgekehrter Inferenz ergibt sich nicht aus dem Verständnis allgemeiner kognitiver Prozesse wie Sehen, Bewegung, Sprache, Entscheidungsfindung usw. Allgemeine Muster für allgemeine Prozesse wurden etabliert, das Problem, wie Poldrack (2011) betont, besteht darin, wann wir Muster interpretieren B. besser definierte Kognitionen, anstatt nur die Belohnungsverarbeitung zu betrachten, möchten wir vielleicht Muster der Freude vergleichen, die sich aus dem Sehen von sehr schmackhaftem, z. B. Kuchen, und weniger schmackhaftem Essen, z. B. Obst, ergeben. Auf dieser Ebene erfordert der Vergleich der Daten einen weitaus spezifischeren analytischen Ansatz. Wenn wir ein Forscher wären, der auf der Grundlage unseres Wissens eine Schlussfolgerung ziehen würde, hätten wir eine große Wahrscheinlichkeit, dass wir uns irren.

MVPA arbeitet mit einer weitaus höheren Auflösung von Daten, als eine Einzelperson bewältigen könnte, und vergleicht Daten mit früheren Studien oder früheren Experimenten, siehe Abb. 1. Es ist jedoch wichtig, sich daran zu erinnern, dass wir Teilnehmer in ähnlichen Kontexten vergleichen.

Abb. 1. MVPA-Diagramm für Tests und Inferenz Norman et al. (2006)

Poldrack (2011) gibt ein hervorragendes Beispiel für die Verwendung von MVPA, das von Kay et al. (2008) durchgeführt wurde. Simply Kay et al. (2008) scannten Teilnehmer, die natürliche Bilder betrachteten, n = 1750. In der folgenden Studie wurden 120 Bilder hinzugefügt, MVPA der neuronalen Daten war in der Lage, genau vorherzusagen, welche Bilder betrachtet wurden. Diese Methode hat eine beträchtliche Entwicklung bis zu dem Punkt erfahren, dass Forscher mit einer ähnlichen Methode neuronale Muster genau analysiert haben, die bei einem Teilnehmer beobachtet wurden, der das Gehirn aufweckte, um zu entschlüsseln , was die Teilnehmer träumen . Grundsätzlich können die Quantität und Qualität von bei der Berücksichtigung des Kontexts verwendet werden, um eine umgekehrte Inferenz durchzuführen, aber dies erfordert vorherige Daten innerhalb des Kontexts , damit die MPVA und andere maschinelle Lernmethoden auch verglichen werden können.

Das bedeutet nicht, dass maschinelles Lernen nicht falsch sein kann, wenn es falsch angewendet wird. Es ist eine statistische Methode, bei der Menschen die Parameter festlegen. Der folgende Beitrag von Arnon Weinberg definiert genau die Probleme und Schlaglöcher, die vermieden werden müssen, damit diese Methode für umgekehrte Inferenz geeignet ist.

Norman, KA, Polyn, SM, Detre, GJ, & Haxby, JV (2006). Jenseits des Gedankenlesens: Multi-Voxel-Musteranalyse von fMRI-Daten. Trends in den Kognitionswissenschaften, 10 (9), 424–430. http://doi.org/10.1016/j.tics.2006.07.005