來源：ScienceAI

編輯：凱霞

大腦中處理視覺信息的部分——顳下（IT）皮層——受損可能是毀滅性的，尤其是對成年人而言。那些受影響的人可能會失去閱讀能力（一種稱為失讀癥的疾病）或辨認面孔（面容失認癥）或物體（失認癥）的能力，目前醫生無能為力。

更準確的視覺系統模型可以幫助神經科學家和臨床醫生為這些疾病開發更好的治療方法。

近日，卡內基梅隆大學（CMU） 的研究人員開發了一種計算模型——交互式地形網絡（ITN），使他們能夠模擬 IT 的空間組織或地形（topography），并更多地了解相鄰的腦組織簇是如何組織和相互作用的。這也可以幫助他們了解該區域的損壞如何影響識別面部、物體和場景的能力。

該研究以「A connectivity-constrained computational account of topographic organization in primate high-level visual cortex」為題，于 2022 年 1 月 18 日發布在《PNAS》上。

論文一作 Nicholas M. Blauch 博士說，這篇論文可能會幫助認知神經科學家回答關于大腦不同部分如何協同工作的長期問題。

「長期以來，我們一直在想，我們是否應該將大腦中響應面部的區域網絡視為一個單獨的實體，僅用于識別面部，或者我們應該把它作為目標識別的神經結構的一部分，」Blauch 說。「我們正在嘗試使用一個假設這種更簡單、通用的組織的計算模型來解決這個問題，并看看這個模型是否可以解釋我們通過學習執行任務在大腦中看到的專業化。」

為此，研究人員開發了一種深度學習模型：交互式地形網絡 (ITN)，該模型具有生物大腦連接的附加特征，假設該模型可以揭示 IT 的空間組織或地形。

交互式地形網絡

ITN，一種用于高級視覺皮層計算建模的框架，特別是其功能性地形組織。ITN 模型被定義為神經網絡模型，其：（1）優化以執行自然任務；（2）以生物學上合理的方式約束連接以產生功能組織。

在這項工作中，介紹了一種 ITN 形式，它分為三個部分：近似早期視覺皮層的編碼器、近似顳下皮層的交互式地形 (IT) 層，以及一個或多個下游任務的讀出機制。編碼器的目標是提取描述視覺世界的一般視覺特征，這些特征沿著支持廣泛的下游讀出任務的維度。

研究人員的主要建模重點是 IT 層，它由一系列受生物約束的循環層對組成。為了計算簡單，這些約束沒有在編碼器中建模。

首先展示了特定 ITN 模型的模擬結果，將其稱為主模型或「E/I-EFF-RNN」，這表明它具有負責激發和抑制（E/I）的獨立神經元。前饋連接是嚴格興奮性（EFF）的限制，時間循環處理是通過學習橫向連接（RNN）介導的。此外，該模型使用 ResNet-50 編碼器，該編碼器在大型數據集上進行了預訓練，包括來自對象、面部和場景域的多個類別，并在預訓練后用作特征提取器它為包含單獨的 pIT、cIT 和 aIT 區域的三區域 IT 提供輸入。

圖示：交互式地形網絡產生分層域級組織。（來源：論文）

訓練后，該模型在各個領域表現良好，在人臉域達到了 86.4% 的分類準確率，在物體域達到了 81.8%，在場景域達到了 65.9%。跨域的性能差異不太可能是特定架構的產物，因為它們可以在各種 DCNN 中看到，這反映了每個任務的內在難度，由于給定圖像集的每個域的類別內部和類別之間存在可變性。

為了進一步確認地形組織的功能意義，研究人員分析了從 aIT 到本地類別讀出層的讀出權重的空間組織。研究發現平均讀數權重與每個域的平均響應之間存在很大的正相關（所有 rs > 0.7，所有 Ps < 0.0001），進一步證明了響應地形的功能意義。

損傷分析

接下來，研究人員在模型中進行了一系列損傷分析，以與面部和物體識別的神經心理學數據進行比較。首先，做了局灶性病變。

圖示：ITN 模型中的損傷結果。（來源：論文）

研究表明：以每個域為中心的局灶性病變導致對該域的識別異常嚴重，而對其他域也有較輕微但顯著的缺陷。對于此類病變，所有域的缺陷均顯著（所有 Ps < 0.05），并且對目標域的識別顯著更強（所有 Ps < 0.05）。

局灶性病變引起的非首選區域的部分但不是全部損傷可能是由于不完善或非圓形的地形功能組織造成的。重要的是，病變的這些更分散的影響表明，功能組織雖然高度專業化，但并不是嚴格模塊化的；對那些聲稱是給定模塊的一部分的單元（例如，用于面部識別）的損壞仍然會影響對象識別（盡管程度較弱）。

「對其他領域有一些殘留的損害，」Blauch 說。「與首選域相比，它很小，但它向我們表明，這些網絡中的專業化可能很強，但也有些混雜。結合整個系統采用的一般原則，這意味著它可能被認為是一個具有內部專業化的系統，而不是一組獨立模塊的集合。」

一個通用的、靈活的系統在損傷后可能更有能力進行重組，正如我們在兒童身上看到的那樣，與具有類似損傷的成年人相比，兒童在幼年受損后視覺功能基本上恢復了。

限制和未來方向

• 目前的工作僅涉及高級表示的地形組織。在卷積層中建模拓撲組織是 ITN 框架的一個特殊挑戰。這些架構和其他生物學上合理的變體是一個令人興奮的機會，可以從基于連接的約束條件中檢查地形組織。

• 與此相關的是，盡管 ITN 由于區域間空間的限制，在解釋分層的地形組織方面具有優勢，但它還不能令人滿意地具體解釋分層表征轉換的某些方面，增加了對 3D 旋轉的不變性。未來工作迫切需要將 ITN 框架擴展到更強大的計算架構、訓練環境和學習規則，而不是將這種計算能力委托給不同的編碼器。

• ITN 模型和靈長類 IT 的總體表征空間之間存在一些差異。更詳細地比較不同的 ITN 模型在定量和定性上解釋 IT 皮層的效果是未來研究的一條令人興奮的路線。

• 雖然該工作比以前的工作提高了生物學的合理性，但通過結合布線約束、興奮和抑制的分離以及區域之間的興奮性連接，額外的生物學細節可能對視覺皮層的計算和組織很重要。未來的工作可能會考慮結合細節。

該研究工作對認知神經科學具有重要意義，提供了地形功能專業化的領域一般發展說明，對于計算神經科學，通過展示如何將眾所周知的生物學細節納入神經網絡模型以解釋經驗發現。

論文鏈接：

https://www.pnas.org/content/119/3/e2112566119

參考內容：

https://medicalxpress.com/news/2022-02-neuroscientists-deep-simulate-brain-topography.html

未來智能實驗室的主要工作包括：建立AI智能系統智商評測體系，開展世界人工智能智商評測；開展互聯網（城市）大腦研究計劃，構建互聯網（城市）大腦技術和企業圖譜，為提升企業，行業與城市的智能水平服務。每日推薦范圍未來科技發展趨勢的學習型文章。目前線上平臺已收藏上千篇精華前沿科技文章和報告。

??如果您對實驗室的研究感興趣，歡迎加入未來智能實驗室線上平臺。掃描以下二維碼或點擊本文左下角“閱讀原文”

總結

以上是生活随笔為你收集整理的深度学习模型模拟大脑地形图，有助于回答大脑不同部分如何协同工作的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。