Task-optimized neural networks reveal distinct contributions of specialized and broader visual learning to neural representations of face familiarity
En combinant la MEG à résolution de source avec des réseaux de neurones optimisés pour des tâches, cette étude démontre que le traitement de la familiarité des visages implique une dissociation dépendante du stade où les aires visuelles intermédiaires dépendent d'un entraînement spécifique aux visages pour une précision temporelle, tandis que les représentations du cortex fusiforme s'alignent sur des objectifs d'apprentissage visuel plus larges.
Article original sous licence CC BY 4.0 (https://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
Le cerveau humain est un maître de la reconnaissance. En une fraction de seconde, il peut identifier un ami dans une foule, distinguer un visage familier d'un inconnu et naviguer dans un monde complexe d'objets. Pendant des décennies, les scientifiques ont débattu de la manière dont cela se produit, plus précisément concernant les visages. Une école de pensée suggère que le cerveau possède un matériel dédié et spécialisé pour les visages, un circuit unique qui aurait évolué exclusivement pour gérer les visages humains. Une autre vision soutient que la reconnaissance des visages n'est qu'une version hautement perfectionnée du système général que nous utilisons pour reconnaître tous les objets, des chaises aux voitures. La vérité se situe probablement quelque part entre les deux, mais déterminer exactement où et quand le cerveau passe du traitement général des objets à l'expertise spécifique des visages a été difficile. Cela s'explique par le fait que l'expertise humaine se construit sur toute une vie ; nous ne pouvons pas simplement effacer la mémoire d'une personne concernant sa famille pour voir comment son cerveau réagit, ni nous pouvons facilement réentraîner son cerveau pour traiter les visages comme une simple catégorie d'objets.
Pour résoudre ce casse-tête, les chercheurs se sont tournés vers un autre type d'observateur : les réseaux de neurones artificiels. Il s'agit de programmes informatiques conçus pour imiter la structure du cerveau, capables d'apprendre à reconnaître des motifs. En entraînant ces réseaux sur différentes tâches — certains pour identifier des personnes spécifiques, d'autres pour trier des objets généraux — les scientifiques pouvaient créer des modèles contrôlés d'expérience visuelle. Ils ont ensuite comparé les « pensées » internes de ces réseaux avec l'activité électrique réelle des cerveaux humains. L'objectif était de voir quelles parties du cerveau s'alignaient avec quel type d'apprentissage, révélant le moment et le lieu précis où la reconnaissance des visages devient spécialisée.
L'étude s'est concentrée sur le flux visuel ventral, la voie du cerveau responsable du traitement de ce que nous voyons. Les chercheurs ont ciblé deux zones clés : le cortex occipital latéral, une région impliquée dans la reconnaissance des formes et des objets, et le cortex fusiforme, une zone célèbreement liée au traitement des visages. Ils ont utilisé une technique appelée magnétoencéphalographie, ou MEG, qui mesure les champs magnétiques produits par l'activité cérébrale avec une précision de l'ordre de la milliseconde. Cela leur a permis de regarder la réponse du cerveau se déployer en temps réel alors que les participants regardaient trois types d'images : des visages de personnes célèbres qu'ils connaissaient, des visages d'inconnus qu'ils ne connaissaient pas, et des images de visages brouillées qui ressemblaient à du bruit.
Pour donner un sens à ce flux de données, l'équipe a construit sept réseaux informatiques différents. Elle a entraîné certains à reconnaître des identités spécifiques, comme le visage d'une célébrité. D'autres ont été entraînés à trier des objets en catégories larges, comme « chien » ou « voiture », les visages étant traités comme une catégorie parmi d'autres. Un troisième groupe a été entraîné à faire les deux, reconnaissant les objets et les visages comme un groupe, mais sans distinguer les individus. Enfin, des réseaux non entraînés ont servi de base de référence. En injectant les mêmes images de visages dans ces réseaux et en comparant les motifs résultants aux scanners de cerveaux humains, ils ont pu cartographier exactement où et quand l'activité du cerveau correspondait à l'« apprentissage » de l'ordinateur.
Les résultats ont révélé une division fascinante dans la manière dont le cerveau gère la familiarité. Dans le cortex occipital latéral, la région responsable du traitement intermédiaire des objets, le timing de la réponse cérébrale changeait radicalement selon la familiarité. Lorsque les participants voyaient un visage familier, l'activité de leur cerveau s'alignait avec les modèles informatiques environ 18 millisecondes plus tôt que lorsqu'ils voyaient un visage inconnu. Ce gain de vitesse était le plus constant dans les modèles informatiques qui avaient été spécifiquement entraînés à reconnaître des identités individuelles. Cela suggère que pour les visages familiers, le cerveau atteint un point de reconnaissance légèrement plus tôt dans le flux de traitement, mais cet effet est le plus étroitement organisé lorsque le système est réglé pour identifier des individus spécifiques.
Cependant, l'histoire change dans le cortex fusiforme, la zone plus profonde du cerveau associée à l'analyse détaillée des visages. Ici, la familiarité ne faisait pas réagir le cerveau plus rapidement. Au lieu de cela, elle rendait la réponse du cerveau plus forte et plus alignée avec les modèles informatiques. Crucialement, cette réponse plus forte apparaissait quel que soit l'entraînement des modèles informatiques. Que le réseau soit un expert en visages, un trieur d'objets ou un apprenant général, la région fusiforme du cerveau montrait une connexion robuste et renforcée lors de la vue de visages familiers. Cette découverte remet en question l'idée que la zone spécialisée du cerveau pour les visages repose exclusivement sur un chemin d'apprentissage unique, propre aux visages. Au contraire, elle suggère que la capacité à reconnaître un visage familier peut émerger d'un apprentissage visuel plus large, et non seulement d'un entraînement spécifique sur les visages.
L'étude écarte efficacement la notion que la reconnaissance des visages est un processus unique et binaire. Elle montre que le cerveau utilise des stratégies différentes à différents stades. Dans les étapes intermédiaires du traitement, le timing du cerveau est affiné par l'objectif spécifique d'identifier les individus. Mais dans les étapes ultérieures, la capacité du cerveau à représenter un visage familier est flexible et peut être soutenue par une expérience visuelle générale. Cela signifie que si l'apprentissage de l'identification de personnes spécifiques affine la vitesse de reconnaissance, la représentation profonde et stable d'un visage familier est une capacité plus générale qui ne nécessite pas un régime d'entraînement spécialisé uniquement sur les visages. Le cerveau, s'avère-t-il, n'est pas une machine rigide dotée d'un commutateur de visage unique, mais un système dynamique qui adapte sa vitesse et la force de son traitement en fonction de ce qu'il a appris et de l'endroit où l'information est traitée dans la hiérarchie visuelle.
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.