fMRIにおけるゼロショットタスク汎化学習に向けて

科学分野:

• 神経画像
• 機械学習
• 計算神経科学

背景:

• 血液酸素レベル依存（BOLD）信号を用いた機能的MRI（fMRI）は、脳機能と疾患の理解に不可欠です。
• タスクベースfMRIは、安静時fMRIと比較して、より豊かでタスク固有の神経活動データを提供します。
• 一般化可能なモデルのために多様なタスクベースfMRIデータセットを集約することは、様々な実験デザインのために困難です。

研究 の 目的:

• 多様なタスクベースfMRIデータの集約の難しさに対処すること。
• タスクベースfMRIから一般化可能な脳パターンを学習するための新しい教師ありネットワーク、TA-GATを提案すること。
• fMRI解析にタスク固有の事前知識を統合できるようにすること。

主な方法:

• 教師ありタスク認識ネットワーク（TA-GAT）を開発しました。
• TA-GATは、汎用エンコーダーとタスク固有のコンテキスト情報を共同で学習します。
• エンコーダーの埋め込みとコンテキスト情報を下流タスクに組み合わせます。

主要な成果:

• 提案されたTA-GATアーキテクチャは、fMRIタスク事前知識の組み込みを容易にします。
• ネットワークは、汎用的な埋め込みとタスク固有のコンテキスト情報を学習します。
• このアプローチは、機能的な脳パターンを捉える能力を高めます。

結論:

• TA-GATは、タスクベースfMRI解析を改善するための柔軟なプラグアンドプレイソリューションを提供します。
• この方法は、多様なfMRIデータセットでトレーニングされたモデルの一般化能力を高めます。
• この研究は、脳疾患の研究における神経画像への機械学習の応用を進歩させます。