La inferencia inversa , es decir, el uso de datos de activación cerebral (fMRI) para inferir el compromiso de una determinada función mental, es muy criticada (p. ej., Poldrack 2011, Neuron).
Al mismo tiempo, la decodificación , el proceso de aplicar algoritmos de aprendizaje automático a tales patrones de activación cerebral para inferir algo sobre la función mental que provocó esta respuesta (por ejemplo, para distinguir entre dos condiciones diferentes en un experimento de fMRI), se usa ampliamente y desarrollado activamente, siendo el análisis de patrones multivariados (MVPA) la más extendida de estas técnicas.
Sin embargo, los dos conceptos parecen ser uno y el mismo; o más bien, que la segunda (descodificación) es un caso especial de la primera (inferencia inversa). ¿Hay un matiz adicional a su diferencia? Además, ¿por qué no se critica la decodificación de la misma manera que la inferencia inversa?
Respuesta corta: la decodificación no es un caso especial de inferencia inversa.
La dificultad de interpretar los resultados de las neuroimágenes es que existe una enorme cantidad de variabilidad (ruido) en los datos. Por ejemplo, supongamos que intentamos determinar las áreas del cerebro asociadas con la emoción del amor romántico mostrando a los sujetos imágenes de amigos cercanos (condición 1) o imágenes de sus seres queridos (condición 2) y comparando los resultados. Cada escaneo cerebral puede mostrar de 5 a 10 regiones activas, qué regiones están activas y en qué grado varía entre sujetos incluso en la misma condición, e incluso existe variabilidad en los escaneos cerebrales del mismo sujeto en múltiples ensayos.
Para lidiar con esta variabilidad, el primer paso en el proceso de interpretación de datos de cualquier experimento de neuroimagen es un análisis estadístico.. Esto puede variar desde un análisis de "promedio" o "cancelación de ruido", hasta un clasificador de coincidencia de patrones de aprendizaje automático de múltiples vóxeles / marcos múltiples (MVPA). El análisis de datos se utiliza para determinar un predictor de la variable independiente y también para calcular la importancia (valor p) en función del nivel de consistencia de los datos. Por ejemplo, podemos aprender que los sujetos que ven imágenes de sus seres queridos (condición 2) tienen 5 áreas de su cerebro que reducen la actividad y 4 áreas aumentan la actividad en relación con los sujetos que ven imágenes de otros parientes cercanos (condición 1). Tenga en cuenta que el paso de decodificación no implica "etiquetar" el patrón como un estado mental particular: a un clasificador como MVPA no le importa lo que significan los patrones, es solo una función matemática que se usa para distinguirlos.
En un experimento típico de neurociencia cognitiva , el siguiente paso es colocar una etiqueta al estado mental definido por el patrón encontrado: esto es inferencia directa. Para hacer esto, los investigadores generalmente determinan el estado mental a través de alguna otra medida validada, por ejemplo, un cuestionario o alguna otra prueba que se sabe que mide el amor de manera confiable . Los investigadores pueden concluir: "Estas regiones del cerebro están asociadas con la emoción del amor romántico cuando los sujetos ven imágenes de sus seres queridos". Inmediatamente, surge un factor restrictivo: ¡Este patrón de activación es relativo solo a la condición de control!
Mientras que la inferencia directa implica etiquetar el patrón a partir de la variable independiente, la inferencia inversa se utiliza para etiquetar la variable independiente a partir de un patrón de actividad. La inferencia inversa se mete en problemas cuando se usa para etiquetar un patrón particular de activación en un contexto diferente. Por ejemplo, "las mismas áreas del cerebro asociadas con la emoción del amor en un experimento que implica mostrar a los sujetos imágenes de sus seres queridos, también muestran el mismo patrón de activación cuando los sujetos ven sus iPhones y, por lo tanto, concluimos que los sujetos están enamorados" . con sus iPhones ". Tenga en cuenta que el análisis estadístico de los datos (descodificación) debe realizarse primero para poder realizar cualquier tipo de inferencia cognitiva.
Las inferencias inversas sufren varios peligros potenciales , entre ellos:
La inferencia inversa está sujeta a estos problemas sin importar qué análisis estadístico se use, MVPA no es inmune. Sin embargo, muchos de estos problemas se pueden superar utilizando una variedad de técnicas. MVPA es muy valioso para lidiar con el primer problema: gracias a una "resolución" mucho más alta (nivel de detalle, alcance de los datos, linealidad, etc.), esta técnica de decodificación es significativamente menos probable que confunda diferentes estados mentales que parecen tener el mismo patrón de actividad a una resolución más baja. Otra estrategia importante es usar el metanálisis (datos recopilados de muchos estudios diferentes) para determinar qué tan útil es un patrón particular para inferir de manera confiable un estado mental. Resolver los problemas restantes probablemente requerirá datos de entrenamiento por sujeto e incluso técnicas de análisis más avanzadas, pero la inferencia inversa ya ha sido una metodología útil en muchos estudios , cuando se aplica cuidadosamente.
Otro efecto secundario interesante de los analizadores de patrones de aprendizaje automático es que tienden a eliminar la tentación de hacer inferencias inversas injustificadas. En los primeros tiempos, cuando los patrones de activación eran "informales", basados en la anatomía macroscópica, era demasiado fácil hacer afirmaciones generales como : "... la corteza insular del cerebro, que está asociada con los sentimientos de amor... ." Con MVPA, los patrones de activación son prácticamente imposibles de describir en el lenguaje humano, por lo que se requieren máquinas para hacer inferencias, que luego son inherentemente más objetivas.
Nota. Inicialmente leí la pregunta con escaneo, reescribí mi respuesta como consecuencia y debido a los comentarios dados.
Como lo destacaron otros aquí, el análisis de patrones multivóxel (MVPA) es una aplicación de aprendizaje automático, que se utiliza para decodificar grandes cantidades de información compleja (patrones de activación neuronal para solicitudes particulares). Esta es una forma de decodificación que se puede usar para inferir una cognición, también conocida como inferencia inversa .
El problema de la inferencia inversa se resume en gran medida en el siguiente comentario de Poldrak (2011)...
El uso del razonamiento desde la activación hasta las funciones mentales, conocido como “inferencia inversa”, ha sido criticado anteriormente sobre la base de que no tiene en cuenta cuán selectivamente se activa el área por el proceso mental en cuestión.
Poldrack (2011) continúa explicando que la inferencia inversa informal , que se basa en el conocimiento de un investigador, es defectuosa porque el conocimiento de un individuo está limitado por lo que recuerda y ha leído. Además, las malas interpretaciones se combinan de un investigador a otro.
El problema con la inferencia inversa no proviene de la comprensión de los procesos cognitivos generales, como la vista, el movimiento, el lenguaje, la toma de decisiones, etc. Se han establecido patrones generales para los procesos generales, el problema, como señala Poldrack (2011), es cuando interpretamos los patrones para cogniciones más bien definidas, por ejemplo, en lugar de mirar simplemente el procesamiento de recompensas, podríamos querer comparar patrones de placer derivados de ver alimentos altamente apetecibles, por ejemplo, pasteles, y alimentos menos apetecibles, por ejemplo, frutas. En este nivel, comparar los datos requiere un enfoque analítico mucho más específico. Si fuéramos un investigador haciendo una inferencia basada en nuestro conocimiento, tendríamos una gran posibilidad de error.
MVPA maneja una resolución de datos mucho más alta de la que podría manejar un individuo, y compara los datos con ensayos o experimentos anteriores, consulte la Fig. 1. Sin embargo, es fundamental recordar que estamos comparando participantes en contextos similares.
Fig. 1. Diagrama MVPA de prueba e inferencia Norman et al (2006)
Poldrack (2011) brinda un excelente ejemplo de cómo usar MVPA, que fue realizado por Kay et al (2008). Simplemente Kay et al (2008) escanearon participantes viendo imágenes naturales n = 1750. En la siguiente prueba, se agregaron 120 imágenes, MVPA de los datos neuronales pudo predecir con precisión qué imágenes se estaban viendo. Este método ha experimentado un desarrollo sustancial hasta el punto de que, utilizando un método similar, los investigadores han analizado con precisión los patrones neuronales observados en el cerebro despierto de los participantes para decodificar lo que los participantes están soñando . Básicamente, la cantidad y la calidad de cuando se tiene en cuenta el contexto se puede usar para realizar una inferencia inversa, pero esto requiere datos previos, dentro del contexto , para que el MPVA y otros métodos de aprendizaje automático también se comparen.
Esto no significa que el aprendizaje automático no pueda fallar si se aplica incorrectamente. Es un método estadístico en el que los humanos establecen los parámetros, la siguiente publicación de Arnon Weinberg define con precisión los problemas y los baches que deben evitarse para que este método sea viable para la inferencia inversa.
Norman, KA, Polyn, SM, Detre, GJ y Haxby, JV (2006). Más allá de la lectura de la mente: análisis de patrones de múltiples vóxeles de datos de fMRI. Tendencias en Ciencias Cognitivas, 10(9), 424–430. http://doi.org/10.1016/j.tics.2006.07.005
z8080