人工神经网络模型自闭症的面部处理
我们中的许多人很容易认识到他人脸上表达的情绪。微笑可能意味着幸福，而皱眉可能表明愤怒。自闭症患者在这项任务上通常会更加困难。目前尚不清楚为什么。但是新研究于6月15日发表神经科学杂志，阐明大脑的内部工作，提出答案。它使用一种工具来为我们打开新的途径来建模我们的脑海中的计算：人工智能。
研究人员主要提出了两个大脑区域差异可能在哪里。灵长类动物侧面（包括人）的一个区域称为下颞（IT）皮质有助于面部识别。同时，一个名为Amygdala的更深层次的地区从IT皮层和其他来源接收意见，并有助于处理情绪。
麻省理工学院教授詹姆斯·迪卡洛（James DiCarlo）实验室的研究科学家Kohitij Kar希望对答案进行零。（DiCarlo，脑和认知科学系的彼得·德·弗洛雷斯教授，也是麦戈文大脑研究所的成员，也是麻省理工学院智力追求的主任。）
KAR首先查看了另外两名研究人员提供的数据：圣路易斯华盛顿大学的Shuo Wang和Caltech的Ralph Adolphs。在一个实验中，他们展示了自闭症成年人和神经型对照的面部图像。这些图像是由软件生成的，以在从恐惧到快乐的范围内变化，并且参与者迅速判断了面孔是否描绘了幸福。与对照组相比，自闭症成年人需要更高的脸部幸福感，以报告他们的快乐。
建模大脑
卡尔训练了人工神经网络这是一个受大脑体系结构启发的复杂数学功能，以执行相同的任务。该网络包含大致类似于处理视觉信息的生物神经元的单元层。这些层处理信息从输入图像传递到最终判断，表明面部很高兴的概率。KAR发现，与自闭症成年人相比，网络的行为与神经型控制更匹配。
该网络还提供了另外两个有趣的功能。首先，Kar可以剖析它。他脱下了层次并重新测试了其性能，测量了它匹配控制的效果以及与自闭症成年人的匹配程度之间的差异。当输出基于上一个网络层时，这种差异是最大的。先前的工作表明，该层在某些方面模仿了IT皮层，该皮层位于灵长类动物脑的腹侧视觉处理管道的尽头。KAR的结果暗示了IT皮层在将神经型控制与自闭症成年人区分开来。
另一个功能是该网络可用于选择可能在自闭症诊断中更有效的图像。如果在判断一组图像与另一组图像时，网络与神经型控制与自闭症成年人的匹配与自闭症成年人之间的差异更大，则可以在诊所中使用第一组来检测自闭症行为特征。卡尔说：“这些是令人鼓舞的结果。”更好的大脑模型会出现，“但是在诊所中，我们不需要等待绝对最好的产品。”
接下来，KAR评估了杏仁核的作用。同样，他使用了Wang及其同事的数据。他们曾使用电极记录在执行面部任务时接受癫痫手术的人的杏仁核中神经元的活性。该小组发现，他们可以根据这些神经元的活动来预测一个人的判断。KAR重新分析了数据，这次控制了IT-Cortex状网络层预测面部是否真正快乐的能力。现在，杏仁核提供了很少的信息。KAR得出结论，IT皮层是杏仁核在判断面部情绪中作用的推动力。
嘈杂的网络
最后，KAR训练了单独的神经网络，以匹配神经型控制和自闭症成年人的判断。他研究了最终层与决策节点之间连接的优势或“权重”。网络中的权重与自闭症成年人相匹配，无论是正面或兴奋性的》和负或“抑制性”的权重，比与神经型对照相匹配的网络弱。这表明自闭症成年人的感觉神经联系可能嘈杂或效率低下。
为了进一步测试在现场流行的噪声假说，KAR在网络建模自闭症成年人中的最终层活动中增加了各种波动。在一定范围内，添加的噪声大大增加了其性能和表现之间的相似性自闭症成年人。在控制网络中添加噪声的作用要少得多，以提高其与控制参与者的相似性。这进一步表明在自闭症患者可能是所谓的“嘈杂”大脑的结果。
计算能力
展望未来，KAR看到了视觉处理计算模型的几种用途。它们可以进一步提高，提供假设，即研究人员可能会在动物模型中进行测试。卡尔说：“我认为面部情感识别只是冰山一角。”它们也可以用于选择甚至生成诊断内容。人工智能可用于生成最佳吸引自闭症儿童和成人的电影和教育材料之类的内容。甚至可能会在自闭症患者在增强现实护目镜中看到的面部和其他相关像素调整面部和其他相关像素，卡尔计划将来追求的工作。
卡尔说，最终，这项工作有助于验证计算模型的实用性，尤其是图像处理神经网络。他们对假设进行了正式的假设，并使其可检验。一个模型或另一个模型是否更好地匹配行为数据？他说：“即使这些模型离大脑很远，它们也是可伪造的，而不是仅仅构成故事的人。”“对我来说，这是科学的强大版本。”
进一步探索
该故事由麻省理工学院新闻（MIT News）重新发布（web.mit.edu/newsoffice/），一个受欢迎的网站，涵盖有关麻省理工学院研究，创新和教学的新闻。
