1. 順推論と逆推論の問題
生理学研究所 脳機能計測・支援センター
准教授 近添淳一

2. Forward and reverse inference
（順推論と逆推論）
Forward
inference
（順推論）
Reverse
inference
（逆推論）
課題によって生じ
た精神活動
P(A|M)
A: Brain activity （脳活動）
M: Mental state （精神活動）
P(M|A)
精神活動

3. 嫌悪
不適切なReverse inferenceの例
結論:
被験者はgo/no-go課題が難しすぎるために、実験に対し
て嫌悪感を抱いた、と考えられる。
反応抑制
(task: go/no-go)
島皮質で最も
強い脳活動
(Wright et al., 2004)

4. 不適切なReverse inferenceの例
結論:
被験者はgo/no-go課題を遂行するために、課題のルール
を短期記憶を使って保持する必要があった、と考えられる。
反応抑制
(task: go/no-go)
島皮質で最も
強い脳活動
短期記憶
(Engström et al., 2015)

5. 不適切なReverse inferenceの例
結論:
困難な課題で成功することはそれ自体で報酬となるため、
被験者は「甘い」気分になっている、と考えられる。
反応抑制
(task: go/no-go)
島皮質で最も
強い脳活動
味覚
(甘味)
(Chikazoe et al., in preparation)

6. 不適切なReverse inferenceの例
結論:
被験者は「酸っぱい」気分になっている。なぜなら・・・
反応抑制
(task: go/no-go)
島皮質で最も
強い脳活動
味覚
(酸味)
(Chikazoe et al., in preparation)

7. reverse inferenceの問題は何か?
Bayesの公式:
P(M|A) =
P(A)
P(A|M) x P(M)
M: Mental process （精神活動）
A: Brain activation （脳活動）
事後確率
（脳活動を見た後で
推定された精神活動）
事前確率
（脳活動をみる前に
推定された精神活動）
観察

8. 不適切なreverse inferenceの場合
Bayesの公式:
P(M|A) =
P(A)
P(A|M) x P(M)
M: Mental process （精神活動）
A: Brain activation （脳活動）
観察 自分のストーリーを
サポートする論文を
恣意的に選択

9. reverse inferenceの問題は何か?
Bayesの公式:
P(M|A) =
P(A)
P(A|M) x P(M)
M: Mental process （精神活動）
A: Brain activation （脳活動）
事前確率
（脳活動をみる前に
推定された精神活動）
著者の主観的信念に
従い、恣意的に設定

10. 二重の恣意性によって推論が歪む
１．客観的なデータ観察の代わりに、恣意的な
論文選択
２．事前確率に著者の信念を直接反映させる

11. 解決策
１．Neurosynthを用いる。
実際のdataに基づいた客観的なreverse inferenceが可能。
２．Taskを条件として加える。
Inferenceの範囲を限定する。
（視覚を使う実験をしている場合には、被験者が聴覚経験
をしている可能性を考える必要がない。）

12. Neurosynth (http://neurosynth.org/)
Meta-analysis
P(pain|activation)
Automated coordinate
extraction
Related studies
Term-based
search
‘Pain’
Yarkoni et al., 2011, Nature Methods
P(M|A) =
P(A)
P(A|M) x P(M)
過去のｆMRI研究を網羅的に調べることにより計算
0.5に設定 (無情報分布)
Term-based
search
‘Pain’

13. Neurosynthの使い方

14. Coordinateを用いる方法
単語と領域の
関連の強さ
Reverse inferenceの結果

15. 全脳の脳活動のパターンを用いる方法

16. 全脳の脳活動のパターンを用いる方法

17. 全脳の脳活動のパターンを用いる方法

18. Neurosynthを使うことのメリット
• 恣意性を排除できる。
• 複数の仮説（解釈）の間で、どれがどの程度確か
らしいかを定量的に評価できる。

19. Neurosynthを使うことのデメリット
• 論文を精読して細かく振り分けたわけではないた
め（コンピュータが論文の中の単語の出現頻度を
機械的にカウント）、ノイズも多く含まれる。
• 事前確率が非常に重要であるにもかかわらず、こ
の部分を正確に評価できていない。
P(M|A) =
P(A)
P(A|M) x P(M)
過去のｆMRI研究を網羅的に調べることにより計算
0.5に設定 (無情報分布)

20. 課題を条件として加える方法
例：視覚実験を行っている場合は、視覚刺激が与え
られているということを事前に実験者は知っている。
この場合、聴覚刺激が与えられている可能性を考え
なくてよい。
（MVPAを使ったDecodingはこれを利用している）
P(M|A ∩Task) =
P(A｜Task)
P(A|M ∩ Task) x P(M ｜Task)

21. 参考文献
• Poldrack, Inferring Mental States from Neuroimaging Data: From
Reverse Inference to Large-Scale Decoding. Neuron. 2011 Dec
8;72(5):692-7. doi: 10.1016/j.neuron.2011.11.001.
• Yarkoni et al., Large-scale automated synthesis of human functional
neuroimaging data. Nature Methods 8, 665–670 (2011)
doi:10.1038/nmeth.1635
• Hutzler, Reverse inference is not a fallacy per se: cognitive processes
can be inferred from functional imaging data. Neuroimage. 2014 Jan
1;84:1061-9. doi: 10.1016/j.neuroimage.2012.12.075.