Comprender el sistema visual del cerebro podría informar el desarrollo de mejores sistemas artificiales

En la serie de imágenes de la derecha, un modelo computacional vinculado a las neuronas visuales en el cerebro del macaco revela gradualmente una imagen de un ojo similar al de la foto del macaco a la izquierda. La imagen del ojo que sintetiza el modelo representa la información codificada por las neuronas visuales. Crédito: Carlos Ponce

Para la mayoría de nosotros, la visión es una parte importante de cómo percibimos el mundo, ya que proporciona un flujo constante de información sobre los objetos que nos rodean. Sin embargo, hay mucho que los científicos aún no saben acerca de cómo nuestros cerebros recopilan e integran esta información en las imágenes cohesivas que vemos.

Carlos Ponce, quien recientemente se convirtió en profesor asistente de neurobiología en el Instituto Blavatnik de la Escuela de Medicina de Harvard, es uno de los que están cautivados por estas preguntas sobre el sistema visual. Está motivado por la idea de que si los investigadores pueden entender cómo funciona el sistema visual en el cerebro, pueden usar esta información para construir mejores modelos computacionales.

«Imagine un modelo computacional que pueda ver y razonar tan bien como un ser humano lo hace, pero más rápido y las 24 horas del día», dijo Ponce.

Tales modelos podrían impulsar sistemas visuales artificiales con innumerables aplicaciones, desde imágenes médicas hasta conducción y seguridad.

Ponce habló con Harvard Medicine News sobre su investigación, que combina modelos computacionales con experimentos de electrofisiología para explorar los fundamentos del sistema visual.

HM News: ¿Cómo se interesó en la neurociencia visual?

Ponce: Crecí en una granja y siempre me gustaron los animales, así que sabía que la biología iba a ser mi camino. Mi interés en la neurociencia visual se inspiró en el trabajo de neurocientíficos que se enfocan en la divulgación y hacen que su investigación sea accesible para personas no expertas.

Específicamente, durante la universidad, leí este increíble artículo en Scientific American sobre cómo funciona el sistema visual. No es un sistema coherente y totalmente conectado que coincida con nuestra percepción, sino que está separado en subredes que se especializan en tareas como el reconocimiento de formas o el seguimiento de movimientos. Me fascinó la idea de que mi percepción, que se unifica en esta hermosa película de visión, está siendo deconstruida por una parte de mi cerebro a la que no puedo acceder conscientemente y es producto de estos demonios computacionales más pequeños que están haciendo su trabajo. procesamiento propio. Me hizo pensar en mí mismo no solo como una esencia unificada sino como un proceso computacional. Fue asombroso para mí. Pensé que si no trabajaba a tiempo completo para entender cómo funcionaba el cerebro, siempre me preguntaría.

HM News: ¿Cómo estás estudiando el sistema visual en el cerebro?

Ponce: Estudio las partes del sistema visual que se ocupan del análisis de las formas, así que todas las operaciones que nos permiten reconocer una cara versus un sombrero, por ejemplo. Estas partes del cerebro se denominan vías ventrales y comprenden neuronas conocidas por responder a imágenes complejas como fotografías. Utilizo monos macacos como modelo, porque de todos los animales de experimentación tienen el cerebro más parecido al de los humanos.

Si tienes un humano o un mono, mira una pantalla y presenta imágenes, algunas de las imágenes harán que las neuronas se disparen mucho más y, a menudo, esas imágenes son cosas que podemos interpretar, como caras o lugares. Las respuestas de estas neuronas se aproximan a nuestra percepción, pero no siempre coinciden exactamente. Es más complicado que eso.

HM News: ¿Qué aporta la computación a este esfuerzo?

Ponce: Si queremos entender qué hacen estas neuronas, podemos revisar las imágenes y encontrar los que más fuertemente los activan. En el enfoque clásico, los científicos le muestran a un mono imágenes de formas muy simples y ven cómo responden sus neuronas. Las imágenes representan una hipótesis, y la respuesta neuronal es una evaluación de eso. Este enfoque es parte integral de la neurociencia visual y nos ha brindado una gran comprensión del cerebro, pero está limitado por nuestra propia imaginación, corazonadas y sesgos. A veces no sabemos lo que no sabemos. Además, este enfoque no nos permite predecir cómo responderán las neuronas a imágenes aleatorias del mundo. Si queremos construir un sistema visual en una computadora que sea tan bueno como el que está en nuestro cerebro, necesita actuar en todo tipo de imágenes.

En los últimos cinco años más o menos, el aprendizaje automático La comunidad ha desarrollado modelos computacionales que pueden aprender de millones de imágenes del mundo. Los modelos aprenden motivos y formas que no solo pueden usarse para reconstruir imágenes existentes, sino que también pueden usarse para crear imágenes completamente nuevas. Usamos estos asombrosos modelos computacionales en nuestros estudios con macacos.

Nuestro enfoque es emocionante porque en su mayoría nos mantenemos alejados y dejamos que la cooperación entre las neuronas y la inteligencia artificial produzca resultados que no esperábamos. Cada vez que estudiamos una neurona en algún lugar del cerebro, esa neurona nos transmite su información directamente a través del aprendizaje automático. Ya no estamos limitados por nuestra propia imaginación y nuestro propio lenguaje al tratar de comprender el sistema visual. Ahora nos dice las características importantes del mundo a las que debemos prestar atención.

HM News: En su artículo de Cell de 2019, descubrió cómo integrar este tipo de modelos computacionales en su investigación. ¿Qué revelaste sobre el sistema visual?

Ponce: Cuando era un posdoctorado en HMS trabajando con Margaret Livingstone, vinculamos los modelos a las neuronas en el sistema visual del macaco para que pudiéramos ver imágenes creadas desde cero. que hacen que las neuronas respondan cada vez más.

La primera vez que probamos esto, grabamos a partir de un conjunto de neuronas en una parte del cerebro del macaco que responde a las caras. Efectivamente, a partir del ruido, una imagen comenzó a crecer en el modelo computacional que parecía una característica de una cara. No una cara completa, solo un ojo y una curva circundante. La neurona se estaba volviendo loca disparando, esencialmente diciendo, wow, esta es una combinación perfecta para lo que estoy codificando. Nuestro descubrimiento fue que se pueden acoplar modelos computacionales a neuronas en el cerebro del macaco que son visualmente sensibles, y hacer que las neuronas guíen al modelo para crear imágenes que las activen mejor.

Sin embargo, nos desconcertaron algunos de las imágenes que se crearon. Algunos tenían mucho sentido, como partes de caras o cuerpos, pero otros no se parecían a ningún objeto. En lugar de eso, eran patrones que traspasaban categorías semánticas: a veces ocurren en rostros y otras veces en cuerpos o escenas aleatorias. Nos dimos cuenta de que las neuronas en el cerebro de los macacos están aprendiendo motivos específicos que no necesariamente se ajustan a nuestro lenguaje. Las neuronas tienen un lenguaje propio que se trata de describir las estadísticas del mundo natural.

HM News: Recientemente publicó una secuela de esta investigación en Nature Communications. ¿Cómo se basó en su trabajo anterior?

Ponce: En nuestro nuevo artículo en Nature Communications, aplicamos este método computacional a diferentes partes del cerebro del macaco relacionadas con el reconocimiento visual de formas. Esto incluía neuronas en las partes posteriores del cerebro que responden a objetos muy simples y neuronas en las partes anteriores que responden a objetos más complejos. Pudimos cuantificar la complejidad de la información que codifican estas neuronas y encontramos que tiene un nivel intermedio de densidad; no es tan simple como una imagen de línea ni tan complejo como una fotografía.

Luego nos preguntamos de dónde vienen las imágenes. Sabemos que los macacos, como todas las criaturas sociales, incluidos los humanos, miran muchas caras. Resultó que muchos de los fragmentos de información que recopilamos de las neuronas tenían características similares a las de las caras. Pensamos que tal vez la información en el cerebro de los monos está relacionada con el lugar al que miran, y aprenden patrones importantes del mundo visual a través de la experiencia. Hicimos experimentos en los que dejamos que los macacos miraran miles de imágenes y comparamos las partes de las imágenes que llamaron su atención con la información sobre formas sintéticas que obtuvimos directamente de sus cerebros. Efectivamente, los macacos tendían a mirar partes de las imágenes que eran similares a las características codificadas por sus neuronas. Eso nos da una pista de que durante el desarrollo, el cerebro extrae patrones importantes del mundo y almacena esos patrones en las neuronas.

HM News: ¿Qué quieres hacer ahora?

Ponce : Hay tantas preguntas que todavía queremos responder. Ahora sabemos que podemos identificar características en el mundo que activan neuronas individuales. Sin embargo, el cerebro no trabaja una neurona a la vez. Funciona con conjuntos de neuronas que responden todas a la información visual al mismo tiempo. Queremos ampliar nuestro enfoque para caracterizar poblaciones completas de neuronas. Queremos saber si alguien nos da un patrón de actividad para las neuronas, podemos averiguar qué características del mundo visual representa. Estamos explorando si podemos usar nuestro método para reconstruir imágenes que ha visto el macaco.

Otro punto importante es que el cerebro organiza las neuronas en función de su función. Por ejemplo, las neuronas que responden a rostros tienden a agruparse y están más alejadas de las neuronas que responden a escenas y lugares naturales. Entonces, ¿cómo decide el cerebro dónde colocar las neuronas? Todavía no tenemos ese mapa, pero creo que nuestro enfoque será muy bueno para tratar de identificar la topografía.

En última instancia, estamos tratando de caracterizar los patrones que aprende el cerebro e identificar las redes neuronales. que contienen esta información. Una vez que hagamos esto, deberíamos poder desarrollar modelos computacionales que codifiquen la misma información y puedan usarse para mejorar los sistemas visuales artificiales.

Estoy particularmente intrigado por las posibles aplicaciones clínicas. Durante mi formación médica vi sistemas automatizados analizando muestras de tejido cervical y me di cuenta de que tendría mucho sentido tener un sistema visual artificial que pueda asegurar que el patólogo no se pierda nada. Con suerte, se podrían usar mejores sistemas visuales artificiales en entornos clínicos para mejorar la detección y salvar vidas.

HM News: Inicialmente se inspiró en los científicos que hacen divulgación. ¿Está incorporando la divulgación en su nueva posición?

Ponce: Absolutamente. Espero replicar mi propia introducción a la ciencia. Cuando emigré a los Estados Unidos desde México, entendía muy poco sobre la academia. Durante la escuela secundaria alguien me dijo que podías conseguir un trabajo como técnico de laboratorio, y un verano lo hice. Fue una revelación increíble para mí de cómo podría ser la ciencia.

A partir del verano de 2022, como parte del Proyecto Éxito en la Oficina para la Inclusión de la Diversidad y la Asociación Comunitaria en HMS, planeo recibir a estudiantes de secundaria de todo Boston para venir a trabajar en mi laboratorio y ver cómo es la vida de investigación. Participo activamente en asegurarme de que continuemos ese programa para que podamos atraer a más estudiantes de diferentes orígenes para que experimenten la ciencia. Eventualmente, podemos intentar ampliarlo, pero creo que vale la pena tener un nuevo lote de estudiantes de secundaria cada año que aprendan que la ciencia es excelente y que deberían considerarla como una carrera.

Explore más

¿Cómo puede el cerebro percibir objetos familiares cuando se vuelven indistintos? Más información: Olivia Rose et al, Los prototipos visuales en la corriente ventral están en sintonía con la complejidad y el comportamiento de la mirada, Nature Comunicaciones (2021). DOI: 10.1038/s41467-021-27027-8 Información de la revista: Nature Communications

Proporcionado por Harvard Medical School Cita: Comprender el sistema visual del cerebro podría ayudar al desarrollo of better artificial systems (8 de diciembre de 2021) recuperado el 29 de agosto de 2022 de https://medicalxpress.com/news/2021-12-brain-visual-artificial.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.