STSBench: A Large-Scale Dataset for Modeling Neuronal Activity in the Dorsal Stream of Primate Visual Cortex
Cet article présente STSBench, un ensemble de données à grande échelle comprenant des enregistrements de plus de 2 000 neurones du sillon temporal supérieur du primate lors de la vision de vidéos naturelles, conçu pour faire progresser la modélisation et l'évaluation des réponses neuronales de la voie dorsale qui ont été précédemment entravées par un manque de données suffisantes.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète
Imaginez votre cerveau comme une ville bouillonnante dotée de deux grandes autoroutes pour traiter ce que vous voyez. Une autoroute, le « flux ventral », est comme un conservateur de galerie d'art haut de gamme ; il est obsédé par l'identification de ce que sont les choses. Est-ce un chat ? Une tasse de café ? Une pomme rouge ? Il se soucie des formes, des couleurs et des détails. L'autre autoroute, le « flux dorsal », ressemble davantage à un contrôleur de trafic ou à un expert en parkour ; il ne se soucie pas tant du nom de l'objet, mais plutôt de savoir où il se trouve et comment il se déplace. C'est la partie de votre cerveau qui vous permet d'attraper un ballon sans réfléchir à la marque du ballon, ou d'esquiver une porte battante en marchant.
Pendant des années, les scientifiques ont pu construire des modèles informatiques qui agissent comme le « conservateur de galerie d'art ». En injectant de massives quantités de données dans ces modèles, ils peuvent prédire avec une précision surprenante le fonctionnement de l'autoroute de la reconnaissance d'objets du cerveau. Mais l'autoroute du « contrôleur de trafic » est restée un mystère. Pourquoi ? Parce qu'il est incroyablement difficile d'observer de près les neurones qui s'y trouvent. C'est comme essayer d'étudier une intersection animée en ne regardant qu'une voiture à la fois, ou pire, en ne regardant qu'une photo minuscule et floue de la route. Sans un ensemble de données massif et clair, nous étions condamnés à deviner comment le cerveau calcule le mouvement et l'espace.
C'est ici qu'une nouvelle étude appelée STSBENCH intervient pour changer la donne. Les chercheurs, travaillant avec des macaques rhésus, ont décidé de construire une bibliothèque massive d'activité cérébrale spécifiquement pour cette partie du cerveau, celle du « contrôleur de trafic ». Ils ont utilisé un outil d'enregistrement ultra-avancé (une sonde minuscule dotée de centaines de capteurs) pour écouter le bavardage électrique de plus de 2 000 neurones simultanément, pendant que les singes regardaient des milliers de vidéos naturelles uniques. Il s'agit d'une augmentation de données de près de 50 fois par rapport à tout ce que nous avions auparavant.
L'article fait deux choses principales avec ce trésor de données. Premièrement, ils ont testé un certain nombre de modèles informatiques pour voir lesquels pouvaient le mieux prédire ce que faisaient ces neurones. Ils ont découvert que les modèles de l'ancienne école, qui reposaient sur des règles simples et artisanales sur le mouvement, étaient corrects mais pas excellents. Cependant, un nouveau type de modèle — un réseau d'apprentissage profond entraîné à partir de zéro sur de la vidéo — a fait un bien meilleur travail. Cela suggère que le centre du mouvement du cerveau effectue des calculs profonds et très complexes que nous n'avons pas encore pleinement saisis avec nos théories plus simples.
Deuxièmement, ils ont tenté l'inverse : ils ont pris les signaux électriques du cerveau et ont demandé à l'ordinateur de « reconstruire » ce que le singe voyait. Les résultats ont été fascinants et exactement ce à quoi on pouvait s'attendre des deux flux différents. Lorsqu'ils ont reconstruit des images à partir de la partie « objet » du cerveau, l'ordinateur a dessiné des images claires avec des couleurs et des détails spécifiques. Mais lorsqu'ils ont reconstruit des images à partir de la partie « mouvement » (la zone STS qu'ils ont enregistrée), l'ordinateur a dessiné des contours flous et fantomatiques. Il a capturé le mouvement et les formes globales (comme le bord d'une table ou d'une étagère), mais a complètement manqué les détails fins, comme l'étiquette sur une bouteille d'eau ou la couleur d'un fruit. Cela confirme que le flux dorsal est effectivement spécialisé pour le « où » et le « comment cela bouge », laissant le « quoi » à l'autre côté.
En rendant ce vaste ensemble de données et ces nouveaux modèles publics, les auteurs remettent à la communauté scientifique un nouvel ensemble d'outils. Ils ne prétendent pas avoir résolu l'intégralité du mystère de la vision, mais ils ont fourni une carte beaucoup plus claire du terrain. Ils ont montré qu'avec suffisamment de données, nous pouvons enfin commencer à comprendre les mathématiques complexes et non linéaires que le cerveau utilise pour naviguer dans notre monde en mouvement, et ils ont prouvé que les neurones du « contrôleur de trafic » sont très différents des neurones du « conservateur d'art », chacun accomplissant sa tâche spécialisée.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.