glmsingleを使用した単一審判fMRI応答の推定の精度を改善する

人工知能の進歩は、ヒト神経科学のパラダイムシフトを促し、数千の自然主義的視覚刺激に高解像度の脳反応を提供する大規模な機能的磁気共鳴画像（fMRI）データセットを生成します。このような実験には必然的に短時間の刺激期間が含まれ、各刺激の繰り返しはほとんどないため、十分な信号対雑音比を達成することが大きな課題になる可能性があります。この課題に対処し、MatlabとPythonで利用できるスケーラブルでユーザーフレンドリーなツールボックスであるGlmsingleを導入し、単一審判応答（glmsingle.org）の正確な推定を可能にします。Glmsingleは、fMRI時系列データと入力として設計マトリックスのみを必要とし、試行ごとの一般的な線形モデル（GLM）ベータ推定の精度を向上させるための3つの手法を統合します。まず、各ボクセルについて、カスタム血行動態応答関数（HRF）が候補関数のライブラリから識別されます。第二に、相互検証は、実験とは無関係のボクセルから一連のノイズリグレッサーを導出するために使用されます。第三に、密接な間隔の試験のベータ推定値の安定性を改善するために、ベータは尾根回帰を使用してボクセルごとに正則化されます。Glmsingleを自然なシーンデータセットとBold5000に適用すると、Glmsingleは、すべての被験者の視覚反応性皮質全体でベータ推定値の信頼性を大幅に改善することがわかります。StudyForrest実験の小規模な聴覚データセットでは、信頼性の同等の改善も観察されます。これらの改善は、システムと認知神経科学に関連する高レベルの分析のための具体的な利点につながります。glmsingle：（i）近くの試験間で応答の推定値を切り替えるのに役立つことを実証します。（ii）データセット内およびデータセット全体の主題間の表現類似性を高める。（iii）視覚刺激の1つの多くのデコードを高めます。Glmsingleは、多くの実験的条件で脳の活動をサンプリングする過去、現在、および将来のニューロイメージングデータセットの品質を大幅に改善できる公開ツールです。

Advances in artificial intelligence have inspired a paradigm shift in human neuroscience, yielding large-scale functional magnetic resonance imaging (fMRI) datasets that provide high-resolution brain responses to thousands of naturalistic visual stimuli. Because such experiments necessarily involve brief stimulus durations and few repetitions of each stimulus, achieving sufficient signal-to-noise ratio can be a major challenge. We address this challenge by introducing GLMsingle, a scalable, user-friendly toolbox available in MATLAB and Python that enables accurate estimation of single-trial fMRI responses (glmsingle.org). Requiring only fMRI time-series data and a design matrix as inputs, GLMsingle integrates three techniques for improving the accuracy of trial-wise general linear model (GLM) beta estimates. First, for each voxel, a custom hemodynamic response function (HRF) is identified from a library of candidate functions. Second, cross-validation is used to derive a set of noise regressors from voxels unrelated to the experiment. Third, to improve the stability of beta estimates for closely spaced trials, betas are regularized on a voxel-wise basis using ridge regression. Applying GLMsingle to the Natural Scenes Dataset and BOLD5000, we find that GLMsingle substantially improves the reliability of beta estimates across visually-responsive cortex in all subjects. Comparable improvements in reliability are also observed in a smaller-scale auditory dataset from the StudyForrest experiment. These improvements translate into tangible benefits for higher-level analyses relevant to systems and cognitive neuroscience. We demonstrate that GLMsingle: (i) helps decorrelate response estimates between trials nearby in time; (ii) enhances representational similarity between subjects within and across datasets; and (iii) boosts one-versus-many decoding of visual stimuli. GLMsingle is a publicly available tool that can significantly improve the quality of past, present, and future neuroimaging datasets sampling brain activity across many experimental conditions.