機能的MRI分析のための動的因果モデリングに対応する一般化された再発性ニューラルネットワーク

動的因果モデリング（DCM）は、実験的刺激から機能的磁気共鳴画像（fMRI）シグナルまでのプロセス全体を、神経活動と脳血行動態を介したプロセス全体を明示的に説明する高度な生物物理モデルです。DCM研究を実施するには、実験的刺激を、本の読書や自然ムービーウォッチングなどの複雑なタスクでは困難な時間のコンパクトなベクター値の関数として表現する必要があります。ディープラーニングは、最先端の信号表現ソリューションを提供し、元の信号の本質を維持しながら、複雑な信号をコンパクトな密なベクトルにエンコードします。fMRIモデリングでは、深い学習技術の主要ファミリーである再発性ニューラルネットワーク（RNNS）の使用に関心が高まっています。ただし、既存の研究で使用される一般的なRNNはブラックボックスとして機能し、結果の解釈が神経科学のコンテキストでの解釈を困難で曖昧にします。この論文では、DCM、DCM-RNN上に構築された新しい生物物理学的に解釈可能なRNNを提案します。バニラRNNを一般化し、DCMが一般化されたRNNの特別な形として忠実にキャストできることを示しています。DCM-RNNは、パラメーター推定のために戻る伝播を使用します。DCM-RNNは神経科学の有望なツールであると考えています。古典的なDCM研究にシームレスに適合できます。DCMの2つの主要なアプリケーションでDCM-RNNの顔の妥当性を示します：因果脳構造仮説のテストと効果的な接続性推定。また、注意視覚実験でDCM-RNNの構成妥当性を示します。さらに、DCM-RNNは、DCMのエンドツーエンドトレーニングと、DCM研究を複雑なタスクに拡張し、DCMのエンドツーエンドトレーニングを可能にします。

Dynamic Causal Modeling (DCM) is an advanced biophysical model which explicitly describes the entire process from experimental stimuli to functional magnetic resonance imaging (fMRI) signals via neural activity and cerebral hemodynamics. To conduct a DCM study, one needs to represent the experimental stimuli as a compact vector-valued function of time, which is hard in complex tasks such as book reading and natural movie watching. Deep learning provides the state-of-the-art signal representation solution, encoding complex signals into compact dense vectors while preserving the essence of the original signals. There is growing interest in using Recurrent Neural Networks (RNNs), a major family of deep learning techniques, in fMRI modeling. However, the generic RNNs used in existing studies work as black boxes, making the interpretation of results in a neuroscience context difficult and obscure. In this paper, we propose a new biophysically interpretable RNN built on DCM, DCM-RNN. We generalize the vanilla RNN and show that DCM can be cast faithfully as a special form of the generalized RNN. DCM-RNN uses back propagation for parameter estimation. We believe DCM-RNN is a promising tool for neuroscience. It can fit seamlessly into classical DCM studies. We demonstrate face validity of DCM-RNN in two principal applications of DCM: causal brain architecture hypotheses testing and effective connectivity estimation. We also demonstrate construct validity of DCM-RNN in an attention-visual experiment. Moreover, DCM-RNN enables end-to-end training of DCM and representation learning deep neural networks, extending DCM studies to complex tasks.