La IA revela qué neuronas del sistema visual del cerebro prefieren mirar

• Los investigadores desarrollan un modelo basado en IA que genera señales valiosas para determinar de manera confiable qué neuronas prefieren mirar.
• El modelo utiliza una red neuronal profunda generativa y un algoritmo genético llamado XDREAM.

Durante más de 5 décadas, los científicos han sabido que las neuronas de la corteza visual no responden por igual a diferentes imágenes. Esto es lo que hace que los animales reconozcan, comprendan e interpreten una gran cantidad de pistas visuales a su alrededor.

Por ejemplo, ciertas neuronas visuales en la región del cerebro llamada corteza temporal inferior se activan más cuando los animales miran texto, objetos, lugares o caras. Sin embargo, los científicos aún no comprenden exactamente a qué responden estas neuronas.

Recientemente, un equipo de investigadores de la Escuela de Medicina de Harvard desarrolló un modelo de inteligencia artificial (IA) que genera señales valiosas para determinar de manera confiable qué neuronas prefieren mirar.

Los experimentos llevados a cabo hasta ahora intentaron analizar las preferencias neuronales utilizando imágenes reales. Estas imágenes podrían estar intrínsecamente sesgadas debido a dos razones principales:solo representan escenas del mundo real y son elegidas por humanos para las pruebas. El nuevo modelo resuelve este problema generando imágenes sintéticas ajustadas según la preferencia de las neuronas individuales.

El experimento

El equipo capturó las respuestas neuronales de 6 monos macacos y las alimentó al modelo basado en IA. El modelo midió las tasas de activación de cada neurona visual en el cerebro y generó imágenes autoajustables.

A los monos se les mostraron estas imágenes sintéticas en intervalos de 0,1 segundos durante unas horas. La primera imagen era un patrón de textura arbitrario en escala de grises. La IA introdujo lentamente colores y formas basadas en respuestas neuronales. La imagen final se transformó en algo que encarnaba completamente la preferencia de una neurona.

Este enfoque basado en inteligencia artificial utiliza una red neuronal profunda generativa y un algoritmo genético llamado XDREAM, que está diseñado específicamente por investigadores para guiar la evolución de una imagen sintética novedosa.

Referencia:Celda | DOI:10.1016 / j.cell.2019.04.005 | La Gaceta de Harvard

La IA pudo generar un súper estímulo para las neuronas al final de cada experimento. Los resultados de todos los experimentos fueron bastante consistentes. Muchas neuronas desarrollaron imágenes a través de la IA que no eran idénticas pero eran excepcionalmente similares.

Algunas imágenes cumplieron con las expectativas de los investigadores. Por ejemplo, una neurona que se espera que responda a las caras desarrolló imágenes circulares de color rosa con dos manchas oscuras similares a los ojos.

Imágenes naturales frente a imágenes desarrolladas por neuronas en la corteza inferotemporal del mono | Cortesía de investigadores

Algunos resultados fueron asombrosos. Por ejemplo, una de las neuronas del mono producía imágenes del cuerpo de un mono con una mancha roja alrededor del cuello. El equipo finalmente descubrió que este mono se crió con el otro que solía usar un collar rojo.

Sin embargo, no todas las imágenes finales tenían sentido:la neurona de un mono produjo una forma oscura amorfa mientras que otra desarrolló un pequeño cuadrado negro.

¿Qué sigue?

Según los investigadores, las respuestas de estas neuronas no son naturales, sino que son el resultado de una exposición continua a estímulos visuales durante un período de tiempo específico. Aún se desconoce cómo exactamente las neuronas producen estas imágenes. El equipo planea responder a esta pregunta en su próximo estudio.

Leer:La alteración de las neuronas cerebrales puede eliminar el tallado natural del dulce

Aprender cómo la corteza visual responde a ciertas imágenes podría ayudar a los científicos a comprender mejor el mecanismo que impulsa las enfermedades cognitivas asociadas, incluidos los trastornos del espectro autista y las discapacidades del aprendizaje.