The study of brain activity in the processing of self-referential information, as compared to the processing of information related to other people, is based on the application of mass-univariate analysis, based on the assumption that activity in one region is independent of activity in other regions. Recently, there has been a growing interest in neuroimaging to investigate spatially distributed information using multivariate approaches such as multivoxel pattern analysis (MVPA). In this paper, we used MVPA to analyze fMRI data recorded during self-evaluation and evaluation of other people of varying proximity. In all pairwise classifications tested, the number of correct identifications was significantly higher than the level of random matches. Predictively significant structures were widely distributed over different brain regions and included areas of the visual, lateral prefrontal, and many other cortical areas in addition to the cortical midline structures that contributed the most. In the self-other classification, ventral areas of the medial prefrontal and cingulate cortex were the most informative for the self condition, whereas parietal and occipital medial areas were the most informative for the other condition. The combination of brain structures, which included the anterior cingulate cortex and both amygdalae, revealed by principal component analysis, correlated positively with the psychometric scale of sensitivity to reward, and negatively with neuroticism scales. Overall, the results show the fruitfulness of using machine learning methods to analyze data from such kinds of experiments.
Изучение активности мозга в процессе обработки самореферентной информации, в сравнении с обработкой информации, относящейся к другим людям, базируется на применении массового одномерного анализа, основанного на предположении, что активность в одном регионе не зависит от активности в других регионах. В последнее время в нейровизуализации растет интерес к исследованию пространственно распределенной информации с помощью многомерных подходов, таких как многовоксельный анализ паттернов (МВАП). В данной работе мы использовали МВАП для анализа фМРТ-данных, записанных при выполнении задания по оцениванию себя и других людей разной степени близости. Тестирование выявленных в процессе машинного обучения паттернов показало, что они позволяют в 75–88% случаев предсказать по активности мозга, оценивает ли испытуемый себя или другого человека. Прогностически значимые структуры были широко распределены по разным областям мозга и, помимо корковых срединных структур, дававших наибольший вклад, включали области зрительной, латеральной префронтальной и многих других корковых зон. При классификации “Я”–”Другие” наиболее информативными для выбора варианта “Я” являлись вентральные области медиальной префронтальной и поясной коры, а для выбора варианта “Другие” – теменные и затылочные срединные области. Анализ главных компонент позволил выявить комбинацию структур мозга, включающую переднюю часть поясной извилины и обе миндалины, факторные оценки которой коррелировали положительно с психометрической шкалой чувствительности к награде и отрицательно со шкалами нейротизма. Активность этой комбинации структур может рассматриваться в качестве фактора защиты от аффективных расстройств. В целом полученные результаты показывают плодотворность использования методов машинного обучения для анализа данных такого рода экспериментов.