HACIA EL APRENDIZAJE GENERALIZABLE DE TAREAS CON FMRI EN MODO ZERO-SHOT

Área de la Ciencia:

• Neuroimagen
• Aprendizaje automático
• Neurociencia computacional

Sus antecedentes:

• La resonancia magnética funcional (RMf) que utiliza la señal de nivel de sangre dependiente (BOLD) es crucial para comprender la función cerebral y los trastornos.
• La RMf basada en tareas ofrece datos de actividad neuronal más ricos y específicos de la tarea en comparación con la RMf en reposo.
• La agregación de diversos conjuntos de datos de RMf basados en tareas para modelos generalizables es un desafío debido a los variados diseños experimentales.

Objetivo del estudio:

• Abordar la dificultad de agregar diversos datos de fMRI basados en tareas.
• Proponer una red supervisada novedosa, TA-GAT, para aprender patrones cerebrales generalizables a partir de fMRI basados en tareas.
• Permitir la integración de conocimientos previos específicos de la tarea en el análisis de fMRI.

Principales métodos:

• Desarrollo de una red supervisada consciente de la tarea (TA-GAT).
• TA-GAT aprende conjuntamente un codificador de propósito general y información contextual específica de la tarea.
• Combina las incrustaciones del codificador con información contextual para tareas posteriores.

Principales resultados:

• La arquitectura TA-GAT propuesta facilita la incorporación de conocimientos previos de tareas de fMRI.
• La red aprende incrustaciones de propósito general e información contextual específica de la tarea.
• Este enfoque mejora la capacidad de capturar patrones cerebrales funcionales.

Conclusiones:

• TA-GAT ofrece una solución flexible y lista para usar para mejorar el análisis de fMRI basado en tareas.
• El método mejora la generalizabilidad de los modelos entrenados en diversos conjuntos de datos de fMRI.
• Este trabajo avanza la aplicación del aprendizaje automático en neuroimagen para el estudio de trastornos cerebrales.