脳病変と行動の対応関係に関する教師なし学習

ヒトの病変研究は、実験的介入が強く制限される状況において、脳領域と行動転帰の関係を調べるための最も直接的な経路の一つを提供する。しかし、これらの研究は、特定の脳領域への病変と特定の行動転帰との関係を同定するために、脳領域と行動転帰をどの粒度で解析すべきかという適切なレベルを見出すという大きな課題に直面する。ここでは、Causal Feature Learning（CFL）と呼ばれる新しいデータ駆動型アプローチを提示する。CFLは、解析の適切なレベルと、病変と認知障害との関係を同時に学習する。この手法は、事前に脳領域や特定の転帰測度を指定することを避け、新たな領域横断的な病変—行動マップの発見を可能にする。CFLが、Canonical Correlation Analysisが解釈可能な結果を与えられないシミュレーションデータセットにおいて、病変—行動マップを頑健に復元できることを示す。ついで、言語障害および視空間処理に関する既知の病変—行動マップを、大規模な病変被験者データセットを用いて回復できることを示す。最後に、CFLを用いて、病変をうつ症状に写像する際に転帰の新しい群分けを同定できることを示す。

https://doi.org/10.1101/2023.12.22.573110