Interpretable brain decoding from sensations to cognition to action: graph neural networks reveal the representational hierarchy of human cognition
Notice bibliographique
Résumé
Abstract Inter-subject modeling of cognitive processes has been a challenging task due to large individual variability in brain structure and function. Graph neural networks (GNNs) provide a potential way to project subject-specific neural responses onto a common representational space by effectively combining local and distributed brain activity through connectome-based constraints. Here we provide in-depth interpretations of biologically-constrained GNNs (BGNNs) that reach state-of-the-art performance in several decoding tasks and reveal inter-subject aligned neural representations underpinning cognitive processes. Specifically, the model not only segregates brain responses at different stages of cognitive tasks, e.g. motor preparation and motor execution, but also uncovers functional gradients in neural representations, e.g. a gradual progression of visual working memory (VWM) from sensory processing to cognitive control and towards behavioral abstraction. Moreover, the multilevel representations of VWM exhibit better inter-subject alignment in brain responses, higher decoding of cognitive states, and strong phenotypic and genetic correlations with individual behavioral performance. Our work demonstrates that biologically constrained deep-learning models have the potential towards both cognitive and biological fidelity in cognitive modeling, and open new avenues to interpretable functional gradients of brain cognition in a wide range of cognitive neuroscience questions. Highlights BGNN improves inter-subject alignment in task-evoked responses and promotes brain decoding BGNN captures functional gradients of brain cognition, transforming from sensory processing to cognition to representational abstraction. BGNNs with diffusion or functional connectome constraints better predict human behaviors compared to other graph architectures Graphic Abstract Multilevel representational learning of cognitive processes using BGNN
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».