Face and body representations converge along the visual hierarchy in models and cortex

El estudio demuestra que las representaciones de rostros y cuerpos se integran progresivamente a lo largo de la jerarquía visual tanto en modelos de redes neuronales como en la corteza humana, donde las unidades de selectividad mixta son clave para explicar las regiones corticales y apoyar múltiples tareas de percepción.

Lo esencial

¡Hola! Imagina que tu cerebro es como un gran equipo de detectives trabajando en una estación de policía muy sofisticada. Su trabajo principal es identificar a las personas que ves en la calle: ¿Quién es esa persona? ¿Qué está sintiendo? ¿Qué va a hacer?

Para resolver estos misterios, el cerebro necesita analizar dos pistas principales: la cara y el cuerpo.

Este estudio científico se preguntó algo muy interesante: ¿El cerebro tiene detectives separados para las caras y detectives separados para los cuerpos, o hay detectives que pueden hacer ambos trabajos al mismo tiempo?

Aquí te explico lo que descubrieron los investigadores, usando analogías sencillas:

1. El Laboratorio de Entrenamiento (La Inteligencia Artificial)

Los científicos no solo miraron cerebros humanos; también entrenaron a "detectives de computadora" (redes neuronales artificiales) para que aprendieran a reconocer cosas en fotos.

• Lo que esperaban encontrar: Pensaban que el cerebro (y las computadoras) funcionarían como dos departamentos totalmente separados: un ala para caras y otra para cuerpos.
• Lo que descubrieron: ¡No es así! En las capas más profundas de la "mente" de la computadora, aparecieron tres tipos de detectives:
  1. Especialistas en caras: Solo miran caras.
  2. Especialistas en cuerpos: Solo miran cuerpos.
  3. Detectives "Mixtos" (Los híbridos): ¡Estos son los más interesantes! Son unidades que se excitan tanto cuando ven una cara como cuando ven un cuerpo. No eligen uno u otro; ven a la persona completa.

2. El Viaje de la Información (La Jerarquía Visual)

Imagina que la información visual viaja por un tobogán dentro de tu cerebro, desde la parte trasera (donde entra la luz) hasta la parte frontal (donde se toman las decisiones).

• Al principio del tobogán (Zona posterior): Los detectives están muy especializados. Hay uno que solo ve ojos, otro que solo ve piernas. Están muy separados.
• A medida que bajas el tobogán (Zona anterior): ¡Empiezan a mezclarse! Los detectives "mixtos" se vuelven más comunes. Aquí, la información de la cara y el cuerpo se une para formar una imagen completa de "una persona".
• La conclusión: No es que el cerebro ignore las partes, sino que progresivamente une las piezas para entender el todo. Es como armar un rompecabezas: al principio ves las piezas sueltas (ojos, nariz, brazos), pero al final ves la imagen completa de la persona.

3. ¿Para qué sirven los detectives "Mixtos"?

Los investigadores se preguntaron: "Si ya tenemos detectives de caras y detectives de cuerpos, ¿por qué necesitamos a los mixtos?"

Hicieron un experimento donde "desactivaron" (lesionaron) a cada tipo de detective en la computadora:

• Si apagaban a los especialistas en caras, la computadora fallaba al reconocer quién era la persona (identidad facial).
• Si apagaban a los especialistas en cuerpos, fallaban al reconocer quién era la persona por su ropa o postura, o qué acción estaba haciendo (correr, saltar).
• Si apagaban a los detectives mixtos, la computadora seguía funcionando, pero perdía flexibilidad.

La analogía perfecta:
Imagina que los especialistas son como músicos expertos (uno toca solo el violín, otro solo la batería). Son geniales para su instrumento. Pero los detectives mixtos son como directores de orquesta o músicos que tocan varios instrumentos a la vez. No son tan rápidos como el especialista en un solo instrumento, pero pueden conectar la música del violín con la de la batería para crear una canción completa (una persona completa).

4. ¿Cómo se integran? (La sorpresa final)

Un hallazgo muy curioso fue que estos detectives mixtos no crean una magia nueva. No es que la cara y el cuerpo se fusionen en algo místico.

• Funcionan de forma aditiva: Es como si el cerebro dijera: "Veo una cara (valor 5) + veo un cuerpo (valor 5) = ¡Tengo una persona (valor 10)!".
• No hay una "fusión mágica" donde la suma sea mayor que las partes, sino una colaboración eficiente donde se suman las pistas para entender el contexto.

En resumen

Este estudio nos dice que nuestro cerebro (y las máquinas inteligentes) no es un edificio con habitaciones totalmente separadas para caras y cuerpos. Es más bien como un equipo dinámico:

1. Empieza con expertos separados.
2. A medida que la información avanza, estos expertos empiezan a hablar entre sí.
3. Al final, tenemos una visión integrada donde entendemos a la persona como un todo, gracias a una mezcla de especialistas y generalistas trabajando juntos.

Es una forma muy inteligente de equilibrar la especialización (saber mucho de una cosa) con la flexibilidad (entender el contexto completo).

Resumen técnico

1. El Problema

La percepción de las personas depende de señales visuales tanto de la cara como del cuerpo. Sin embargo, existe un debate científico activo sobre cómo el cerebro procesa estas señales:

• Cuentas segregadas: Sugieren que las caras y los cuerpos se procesan en vías funcionales distintas y separadas.
• Cuentas integradas: Proponen que comparten un espacio representacional continuo.
• Cuentas parcialmente integradas: Postulan que la segregación ocurre en regiones posteriores, pero la integración aumenta en regiones anteriores.

La cuestión central es determinar en qué medida las representaciones de caras y cuerpos están segregadas o integradas en la corteza visual humana y cómo esto se refleja en modelos computacionales. Además, se debate si las personas enteras se representan de manera holística o como la suma de sus partes (cara + cuerpo).

2. Metodología

Los autores combinaron análisis de Redes Neuronales Profundas (DNN) optimizadas para reconocimiento visual con datos de imagen por resonancia magnética funcional (fMRI) a gran escala.

• Modelos DNN: Se analizaron varias arquitecturas, principalmente variantes de AlexNet (entrenadas con aprendizaje supervisado en Ecoset y aprendizaje auto-supervisado en ImageNet con Barlow Twins), así como VGG16.
• Clasificación de Unidades: Se definieron unidades neuronales en los modelos basándose en su respuesta a imágenes de caras, cuerpos, escenas y objetos. Se clasificaron en tres tipos mutuamente excluyentes:
  1. Unidades selectivas a caras: Responden más a caras que a otras categorías.
  2. Unidades selectivas a cuerpos: Responden más a cuerpos que a otras categorías.
  3. Unidades mixtas (mixed-selective): Responden preferentemente a ambas (caras y cuerpos) en comparación con otras categorías.
• Análisis de Codificación fMRI: Se utilizó el Natural Scenes Dataset (NSD) con datos de 8 participantes. Se definieron regiones de interés (ROI) corticales selectivas a caras (OFA, FFA, aTL) y cuerpos (EBA, FBA, mTL). Se ajustaron modelos de codificación (regresión ridge no negativa) para predecir la actividad de los vóxeles a partir de las activaciones de las unidades de los DNN.
• Análisis de Lesiones: Se "lesionaron" (se pusieron a cero) las activaciones de unidades específicas en los DNN para evaluar su impacto en tareas de percepción de personas (reconocimiento de caras, reconocimiento de personas enteras y reconocimiento de acciones).
• Integración Cara-Cuerpo: Se probó si las unidades integraban información de manera sinérgica (holística) o aditiva (basada en partes) utilizando contrastes lineales con estímulos de personas enteras, caras aisladas, cuerpos aislados y fondos.

3. Contribuciones Clave

• Descubrimiento de Unidades Mixtas: Demostraron que los DNN optimizados para reconocimiento visual desarrollan no solo unidades puramente selectivas, sino también una población significativa de unidades "mixtas" que responden a caras y cuerpos simultáneamente.
• Correspondencia Modelo-Cerebro: Establecieron un vínculo funcional directo entre las unidades mixtas de los DNN y las regiones corticales selectivas a caras y cuerpos en humanos, mostrando que las unidades mixtas son los mejores predictores de la actividad cerebral en estas áreas.
• Gradiente Jerárquico: Cuantificaron un gradiente sistemático donde la varianza compartida (integrada) entre representaciones de caras y cuerpos aumenta desde la corteza posterior hacia la anterior.
• Mecanismo de Integración: Revelaron que la integración de caras y cuerpos en estos sistemas (tanto biológicos como artificiales) ocurre principalmente de manera aditiva (basada en partes) y no mediante una integración sinérgica holística.

4. Resultados Principales

• Emergencia de Selectividad Mixta: Las unidades mixtas surgieron en capas intermedias de los DNN y aumentaron su prevalencia en capas posteriores. Esto indica que la integración de señales de cara y cuerpo comienza en el procesamiento de nivel medio.
• Predicción de Actividad Cerebral:
  • Las unidades mixtas explicaron mejor la actividad en las regiones selectivas a caras y cuerpos que las unidades puramente selectivas.
  • Las unidades selectivas (caras o cuerpos) contribuyeron con varianza única en sus regiones correspondientes, pero la mayor parte de la varianza explicada fue compartida.
  • La proporción de varianza integrada (compartida + única de unidades mixtas) aumentó progresivamente desde regiones posteriores (OFA, EBA) hasta anteriores (FFA, FBA, aTL).
• Relevancia Funcional:
  • En tareas de reconocimiento de caras, lesionar unidades de caras causó el mayor déficit.
  • En tareas de reconocimiento de personas enteras, lesionar unidades de cuerpos fue más perjudicial.
  • En tareas de acción, todas las unidades (caras, cuerpos y mixtas) contribuyeron de manera comparable, sugiriendo que la integración es necesaria para tareas abstractas.
• Naturaleza de la Integración: El análisis de interacción mostró que las unidades mixtas responden a personas enteras de manera subaditiva (la respuesta a la persona completa es menor o igual a la suma de las respuestas a las partes aisladas). Esto descarta una integración sinérgica profunda y sugiere un procesamiento basado en partes que se combina linealmente.

5. Significado e Implicaciones

• Resolución del Debate: Los resultados apoyan una visión de integración parcial progresiva. Las representaciones no son totalmente segregadas ni totalmente integradas desde el inicio; más bien, convergen a lo largo de la jerarquía visual hacia representaciones de "persona completa".
• Eficiencia Computacional: La organización parcialmente integrada podría ser una solución óptima que equilibra la especialización (para tareas específicas como identificar una cara) y la flexibilidad (para tareas que requieren contexto, como identificar una persona o una acción).
• Validación de Modelos: El estudio refuerza la validez de los DNN como modelos computacionales de la organización cortical, demostrando que principios de organización biológica (como la selectividad mixta y los gradientes jerárquicos) emergen espontáneamente al optimizar redes para el reconocimiento visual en imágenes naturales.
• Implicaciones Neurológicas: Sugiere que las regiones corticales "selectivas" no son módulos rígidos, sino que codifican información multifacética sobre las personas, integrando señales de cara y cuerpo de manera aditiva para formar una representación coherente del individuo.

En resumen, el estudio demuestra que tanto en el cerebro humano como en las redes neuronales artificiales, la percepción de las personas se logra mediante una mezcla de segregación y integración que evoluciona a lo largo de la jerarquía visual, donde las representaciones de cara y cuerpo se combinan progresivamente para formar una representación unificada, aunque basada en partes.