Los neurocientíficos usan un modelo de aprendizaje profundo para simular la topografía del cerebro
Crédito: Pixabay/CC0 Dominio público
El daño a una parte del cerebro que procesa la información visual, la corteza inferotemporal (IT), puede ser devastador, especialmente para los adultos. Los afectados pueden perder la capacidad de leer (un trastorno conocido como alexia), o reconocer rostros (prosopagnosia) u objetos (agnosia), y actualmente no hay mucho que los médicos puedan hacer.
Un modelo más preciso del sistema visual puede ayudar a los neurocientíficos y médicos a desarrollar mejores tratamientos para estas afecciones. Investigadores de la Universidad Carnegie Mellon (CMU) han desarrollado un modelo computacional que les permite simular la organización espacial o la topografía de la TI y aprender más sobre cómo se organizan e interactúan los grupos vecinos de tejido cerebral. Esto también podría ayudarlos a comprender cómo el daño en esa área afecta la capacidad de reconocer rostros, objetos y escenas.
Los investigadores Nicholas Blauch, Ph.D. estudiante del Programa de Cómputo Neural, y sus asesores David C. Plaut y Marlene Behrmann, ambos profesores del Departamento de Psicología y del Instituto de Neurociencias de la CMU, describieron el modelo en la edición del 18 de enero de Proceedings of the National Academy of Sciences.
Blauch dijo que el artículo puede ayudar a los neurocientíficos cognitivos a responder preguntas de larga data sobre cómo funcionan juntas las diferentes partes del cerebro.
«Durante mucho tiempo nos hemos estado preguntando si deberíamos pensar en la red de regiones en el cerebro que responde a los rostros como una entidad separada solo para reconocer rostros, o si debemos pensar en ello como parte de una arquitectura neuronal más amplia para el reconocimiento de objetos», dijo Blauch. «Estamos tratando de resolver este problema usando un modelo computacional que asume esta organización general más simple, y viendo si este modelo puede explicar la especialización que vemos en el cerebro a través del aprendizaje para realizar tareas».
Para hacerlo, los investigadores desarrollaron un modelo de aprendizaje profundo dotado de características adicionales de conectividad cerebral biológica, con la hipótesis de que el modelo podría revelar la organización espacial o la topografía de la TI.
«El cerebro no No tengo un volumen ilimitado», explicó Blauch. «Debe tratar de mantener la cantidad de materia blanca utilizada para conectar diferentes áreas del cerebro al mínimo requerido para una comunicación efectiva, de modo que haya espacio para más materia gris o neuronas para calcular la información».
Blauch también explicó que la mayoría de las conexiones entre áreas del cerebro provienen de neuronas excitatorias, mientras que las conexiones dentro de un área cerebral están mediadas por neuronas tanto excitatorias como inhibidoras. En la mayoría de los modelos de aprendizaje profundo, las neuronas artificiales pueden excitar e inhibir individualmente a otras neuronas.
Siguiendo estos principios, los investigadores establecieron una arquitectura de red básica y una función de costo que enfatiza aprender a reconocer imágenes, mientras intentan mantenga las conexiones cortas. Los científicos entrenaron el modelo, denominado Red topográfica interactiva, para reconocer imágenes de diferentes dominios: rostros, objetos y escenas. Una vez que el modelo aprendió a reconocer estas imágenes, encontraron que había producido áreas espaciales selectivas para cada dominio, como se ve en el cerebro.
Luego, simularon lesiones o daño cerebral en cada área. Cuando introdujeron lesiones en el área selectiva del modelo para reconocimiento facial, observaron un gran déficit en la capacidad del modelo para reconocer rostros. Obtuvieron el mismo resultado con los dominios de objetos y escenas. También descubrieron que el daño no era del todo específico.
«Hay algunos daños residuales en los otros dominios», dijo Blauch. «Es pequeño en comparación con el dominio preferido, pero nos muestra que la especialización dentro de estas redes puede ser fuerte pero también algo mixta. Eso, combinado con los principios generales empleados por todo el sistema, implica que puede pensarse mejor como uno sistema con especialización interna en lugar de una colección de módulos independientes».
Un sistema general y flexible podría ser más capaz de reorganizarse después del daño, como se observa en los niños que recuperan en gran medida la función visual después del daño en una etapa temprana de la vida, en contraste con los adultos con daños similares.
Los investigadores planean expandir el modelo para investigar más preguntas sobre el sistema visual, incluidas las interacciones entre la organización de TI y otras áreas del cerebro.
Explore más
Detección de rostros en redes neuronales profundas no entrenadas Más información: Nicholas M. Blauch et al, Una cuenta computacional con restricciones de conectividad de la organización topográfica en la corteza visual de alto nivel de primates, Actas de la Academia Nacional de Ciencias (2022). DOI: 10.1073/pnas.2112566119 Información de la revista: Procedimientos de la Academia Nacional de Ciencias
Proporcionado por la Universidad Carnegie Mellon Cita: Los neurocientíficos usan un modelo de aprendizaje profundo para simular el cerebro topography (2022, 3 de febrero) recuperado el 29 de agosto de 2022 de https://medicalxpress.com/news/2022-02-neuroscientists-deep-simulate-brain-topography.html Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.