神经科学家使用深度学习模型来模拟大脑地形

大脑中处理视觉信息的部分——颞下皮层(IT)的损伤是毁灭性的，尤其是对成年人而言。受影响的人可能会失去阅读能力(一种称为失读症的障碍)，或识别面孔(人面失认症)或物体(失认症)，目前医生对此无能为力。

一个更准确的模型视觉系统可能会帮助神经科学家和临床医生为这些疾病开发更好的治疗方法。卡内基梅隆大学(CMU)的研究人员开发了一种计算模型使他们能够模拟IT的空间组织或地形，并更多地了解相邻集群是如何大脑组织被组织起来并相互作用。这也可以帮助他们了解该区域的损伤如何影响识别人脸、物体和场景的能力。

研究人员nicholas bluch是神经计算项目的博士生，他的导师David C. Plaut和Marlene Behrmann都是芝加哥大学心理学系和神经科学研究所的教授，他们在1月18日的《华盛顿邮报》杂志上描述了这个模型美国国家科学院院刊．

bluch说，这篇论文可能有助于认知神经科学家回答长期以来关于大脑不同部分如何协同工作的问题。

“很长一段时间以来，我们一直在想，我们是否应该把大脑中对面孔做出反应的区域网络视为一个单独的实体，只是为了识别面孔，还是应该把它视为更广泛的神经结构的一部分对象识别布拉赫说。“我们正试图使用一个计算模型来解决这个问题，该模型假设这种更简单、一般的组织，并看看这个模型是否可以解释我们通过学习执行任务在大脑中看到的专门化。”

为此，研究人员开发了一种深度学习模型赋予了生物大脑连接的额外特征，假设该模型可以揭示IT的空间组织或地形。

布劳赫解释说:“大脑的容量不是无限的。“它需要将用于连接大脑不同区域的白质的数量保持在有效沟通所需的最低水平，以便有更多的灰质(或神经元)来计算信息。”

bluch还解释说，大脑区域之间的大多数连接来自兴奋性神经元，而大脑区域内的连接是由兴奋性和抑制性神经元介导的。在大多数深度学习模型中，人工神经元可以单独激活和抑制其他神经元。

根据这些原则，研究人员建立了一个基本的网络架构和一个成本函数，强调学习识别图像，同时试图保持短连接。科学家们训练这个被称为交互式地形网络的模型来识别来自不同的领域:面孔、物体和场景。一旦模型学会了识别这些图像，他们发现它为每个域产生了选择性的空间区域，就像在大脑中看到的那样。

接下来，他们模拟每个区域的病变或脑损伤。当他们在人脸识别模型中选择的区域引入病变时，他们发现模型识别人脸的能力出现了很大的缺陷。他们在对象域和场景域上得到了相同的结果。他们还发现，这种损害并不完全是特定的。

布鲁赫说:“其他域名也有一些残余损害。”“与首选领域相比，它很小，但它向我们表明，这些网络中的专门化可能很强，但也有些混合。结合整个系统所采用的一般原则，这意味着它可能更好地被视为一个具有内部专业化的系统，而不是一个独立模块的集合。”

一般的、灵活的系统在损伤后可能更有能力重组，就像我们看到的儿童在早期损伤后基本上恢复了视觉功能，与有类似损伤的成年人形成对比。

研究人员计划扩展该模型，以进一步调查视觉系统的问题，包括IT组织与大脑其他区域之间的相互作用。