🧬 biology

Cross-Species RSA Reveals Conserved Early Visual Alignment but Divergent Higher-Area Rankings Across Human fMRI and Macaque Electrophysiology

Deze studie toont aan dat, hoewel vroege visuele corticale alignie robuust en geconserveerd is tussen menselijke fMRI en macaques-elektrofysiologie voor verschillende leerregels, de alignie in hogere gebieden significant divergeert tussen soorten als gevolg van verschillen in modelcapaciteit en stimulusdomeinen en niet door de leerregels zelf.

Oorspronkelijke auteurs: Nils Leutenegger

Gepubliceerd 2026-05-22

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Nils Leutenegger

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ⚕️ Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer

Stel je voor dat je probeert uit te zoeken hoe verschillende soorten "leren" het visuele systeem van de hersenen vormen. Wetenschappers hebben computermodellen (kunstmatige hersenen) gebouwd die op verschillende manieren leren, vergelijkbaar met hoe een mens, een hond of een robot een kat leert herkennen.

Dit artikel stelt een grote vraag: Maakt de regels die deze computerghersenen lijken op een menselijke hersenen, ook dat ze lijken op een apen hersenen?

Hier is de uiteenzetting van de studie met behulp van eenvoudige analogieën:

1. Het Experiment: Vijf "Leerstijlen" Getest

De onderzoekers namen vijf verschillende computermodellen. Elk model was gebouwd met dezelfde "hardware" (architectuur), maar onderwezen met een andere "leerregel":

Backpropagation (BP): De standaard, zwaar wiskundige manier waarop computers meestal leren (zoals een strenge leraar die elke fout corrigeert).
Feedback Alignment (FA): Een iets losser versie van bovenstaande.
Predictive Coding (PC): Het model probeert te voorspellen wat er als volgende komt en leert van zijn fouten (zoals het voorspellen van het weer).
STDP: Een regel gebaseerd op timing, die nabootst hoe echte neuronen vuren wanneer ze dicht bij elkaar in de tijd plaatsvinden (zoals een biologische vonk).
Random Weights: Een model dat nooit iets heeft geleerd; het heeft gewoon willekeurige verbindingen (zoals een baby zonder ervaring).

Ze testten deze modellen tegen twee groepen:

Mensen: Met behulp van fMRI-scans (die lijken op het maken van een wazige, lage-resolutie foto van het hele brein).
Macaque-apen: Met behulp van elektroden (die lijken op hoogwaardige microfoons die individuele neuronen beluisteren).

2. De Eerste Ontdekking: De "Vroege Visie"-Overeenkomst

Toen de modellen keken naar eenvoudige, vroege visuele informatie (zoals randen en basisvormen, vergelijkbaar met het V1-gebied van de hersenen), waren de resultaten zeer duidelijk.

Het Apen-voordeel: De apendata was veel duidelijker (hoger signaal-ruisverhouding) dan de menselijke data. Het is als het vergelijken van een korrelige zwart-witfoto met een 4K-video. De modellen kwamen veel beter overeen met het apenbrein dan met het menselijke brein, simpelweg omdat de apendata "scherper" was.
De Winnaars: Bij zowel mensen als apen deden de modellen die biologische timingregels (STDP) en voorspellend gissen (PC) gebruikten, het beste werk bij het overeenkomen met de vroege visuele cortex.
De Verliezer: De standaard computerleermethode (Backpropagation) was eigenlijk de slechtste in het overeenkomen met de vroege visuele cortex bij beide soorten.
De Verrassing: Het "Willekeurige" model (dat zonder training) was verrassend goed in het overeenkomen met het menselijke V1, maar het was niet de beste presteerder voor de apen. De apen gaven de voorkeur aan de "biologische" leerregels.

De Conclusie: De manier waarop vroege visie is georganiseerd, lijkt een fundamenteel kenmerk te zijn dat door mensen en apen wordt gedeeld. Als je wilt dat een computermodel lijkt op de vroege visie van een echt brein, moet je geen standaard computeroefening gebruiken; je moet regels gebruiken die nabootsen hoe echte neuronen met elkaar praten.

3. De Tweede Ontdekking: De "Hoogwaardige Visie"-Verwarring

Toen de onderzoekers keken naar de hogere delen van de hersenen (het IT-gebied), die complexe objectherkenning verwerken (zoals weten dat een afbeelding een "hond" is en niet alleen "vacht en oren"), werden de resultaten rommelig.

Geen Duidelijk Patroon: Er was geen overeenstemming tussen mensen en apen over welke leerregel het beste werkte. Het was alsof je twee mensen vraagt hun favoriete ijsjes te rangschikken, en ze geven volledig verschillende lijsten zonder overlap.
Waarom? Het artikel suggereert dat dit niet per se komt doordat mensen en apen anders denken. Het is omdat de computermodellen te klein waren en de trainingsdata te beperkt.
- De Analogie: Stel je voor dat je probeert het vermogen van een chef-kok te beoordelen om een complex banket (Hoogwaardige Visie) te koken door ze alleen een kleine keuken en een paar ingrediënten te geven. Wat hun kookstijl ook is, ze falen allemaal om een geweldig banket te maken.
- Het Bewijs: Toen de onderzoekers een veel groter, vooraf getraind computermodel (ResNet-50) testten dat miljoenen afbeeldingen had gezien, werd het plotseling zeer goed in het overeenkomen met het hoogwaardige brein van de aap. Dit bewijst dat de "mislukking" van de kleinere modellen niet te maken had met de leerregel; het was gewoon dat de modellen te zwak waren om de complexe taak aan te kunnen.

4. Het "Stimulus"-Probleem

De studie merkte ook een lastig probleem op: Mensen en apen kregen verschillende afbeeldingen te zien.

Mensen zagen een breed scala aan alledaagse objecten.
Apen zagen sommige texturen en sommige specifieke objecten.
Het Resultaat: Omdat de "toetsvragen" verschillend waren, is het moeilijk om met zekerheid te zeggen of de verschillen in rangschikking te wijten waren aan de soort of gewoon aan de afbeeldingen die ze te zien kregen. Het artikel suggereert dat als we exact dezelfde afbeeldingen voor beide zouden gebruiken, de resultaten zouden kunnen veranderen.

Samenvatting

Vroege Visie (Eenvoudige vormen): De regels die echte biologie nabootsen (STDP en Predictive Coding) werken het beste voor zowel mensen als apen. Dit is een solide, gedeelde waarheid.
Hoogwaardige Visie (Complexe objecten): We konden niet zeggen of de regels ertoe deden omdat de computermodellen te klein en zwak waren. Toen we een groter, sterker model gebruikten, werkte het veel beter, wat suggereert dat het probleem de grootte van het model was, niet de leerregel.
Het Grote Plaatje: Het vroege visuele systeem van de hersenen is robuust en vergelijkbaar tussen soorten, maar onze mogelijkheid om de "hogere" delen van de hersenen te testen, wordt momenteel beperkt door hoe klein onze computermodellen zijn en welke afbeeldingen we hen tonen.

Technische Samenvatting: Cross-Species RSA onthult behouden vroege visuele uitlijning maar divergente rankings in hogere gebieden

Probleemstelling
Computationele neurowetenschap heeft vastgesteld dat diepe neurale netwerken (DNN's) die met backpropagation (BP) zijn getraind, de representatieladder van de ventrale visuele stroom van primaten reproduceren. De meeste model-hersenen-vergelijkingen zijn echter beperkt tot één soort (typisch menselijke fMRI), waardoor onduidelijk blijft of uitlijningspatronen generaliseren over soorten en meetmodaliteiten. Een begeleidende studie van de auteur [Leutenegger, 2026] vond dat ongetrainde willekeurige gewichten en lokale leerveren (STDP, Predictive Coding) beter presteerden dan BP in het uitlijnen met menselijk V1, terwijl alle regels convergeerden bij IT. Deze studie adresseert de cross-species vraag: geldt dit patroon ook wanneer geëvalueerd tegen macaque-elektrofysiologie, die een resolutie op het niveau van individuele neuronen en een hogere signaal-ruisverhouding (SNR) biedt dan fMRI?

Methodologie
De studie hanteert Representational Similarity Analysis (RSA) om vijf leervercondities te vergelijken met neurale data van zowel mensen als macaques.

Modellen: De auteurs gebruiken identieke modelgewichten uit de begeleidende studie [Leutenegger, 2026]: een aangepast 3-laags CNN getraind op CIFAR-10 gedurende 40 epochs. De vijf condities zijn: Backpropagation (BP), Feedback Alignment (FA), Predictive Coding (PC), Spike-Timing-Dependent Plasticity (STDP) en een ongetrainde Random Weights-baseline.
Macaque-datasets:
- V4/IT: MajajHong2015 (multi-electrode array, 88 V4- en 168 IT-neuronen, 3.200 HVM-objectpresentaties).
- V1/V2: FreemanZiemba2013 (single-unit-opnames, 102 V1- en 103 V2-neuronen, 135 textuurstimuli).
Menselijke dataset: THINGS-fMRI (720 stimuli, 3 proefpersonen), waarbij RSA-waarden voor V1, V2, LOC en IT rechtstreeks uit de begeleidende studie zijn overgenomen.
Capaciteitscontrole: Een voorgetrainde ResNet-50 (ImageNet) werd geëvalueerd om de impact van modelcapaciteit en rijkdom van trainingsdata te beoordelen.
Analysepipeline:
- RSA: Feature-extractie, constructie van een Representation Dissimilarity Matrix (RDM) met behulp van correlatie-afstand, en Spearman $\rho$ -scoring tussen model- en neurale RDM's.
- Cross-Species Vergelijking: Kendall's $\tau$ werd berekend tussen menselijke en macaque $\rho$ -vectoren voor elke leerverregel. Vanwege $n=5$ regels is de statistische power beperkt tot het detecteren van perfecte correlaties ( $\tau = \pm 1.0$ ).
- Stimuluscontrole: Model-RSA werd berekend op zowel THINGS- als macaque-stimuli om te bepalen of rankingsverschillen voortkomen uit soort of stimulusdomein.

Belangrijkste Resultaten

Hogere Absolute Uitlijning bij Macaques: Uitlijningswaarden bij macaques ( $\rho = 0.15–0.30$ bij V1/V2) overtreffen substantieel menselijke fMRI-waarden ( $\rho = 0.01–0.08$ ), consistent met de hogere SNR van elektrofysiologie. Echter, alle waarden blijven ver onder de ruisplafonds (0.52–0.79), wat aangeeft dat er aanzienlijke ruimte voor verbetering is.
Behouden Vroege Visuele Uitlijning: Bij macaque V1/V2 behaalden STDP ( $\rho \approx 0.30$ ) en PC ( $\rho \approx 0.28$ ) de hoogste uitlijning, presterend beter dan BP, FA en Random weights. Dit weerspiegelt het kwalitatieve patroon gevonden in menselijk V1, waar lokale leerveren BP overtreffen, wat bevestigt dat vroege visuele uitlijning robuust is over soorten en modaliteiten heen.
Divergente Rankings in Hogere Gebieden: Bij macaque IT toonden rankings van leerveren geen detecteerbare correlatie met menselijke rankings ( $\tau = 0.00, p = 1.00$ ). De auteurs merken echter op dat dit nulresultaat te verwachten is gezien de lage statistische power van $n=5$ (alleen $\tau = \pm 1.0$ is significant).
Capaciteits- en Data-beperkingen: De ResNet-50-controle behaalde $\rho = 0.25$ bij macaque IT, substantieel beter presterend dan alle aangepaste CNN-condities ( $\rho = 0.07–0.14$ ). Dit suggereert dat de "convergentie" van leerveren bij IT zoals waargenomen in de begeleidende studie, mogelijk architecturale en data-beperkingen weerspiegelt (klein CNN, CIFAR-10) in plaats van een fundamentele eigenschap van leerveren.
Stimulusdomein-verwarringen: De scherpe daling in uitlijning van V2 naar V4 wordt verward door een wisseling van datasets (textuurstimuli versus objectafbeeldingen). Stimuluscontrole-analyse onthulde dat IT-rankings een zwakke inversie vertoonden ( $\tau = -0.40$ ) tussen stimulussets, wat suggereert dat cross-species rankingsverschillen bij IT gedeeltelijk worden gedreven door het stimulusdomein (THINGS versus HVM-objecten) in plaats van soortverschillen.

Betekenis en Claims
Het artikel claimt dat vroege visuele uitlijning kwalitatief behouden blijft over menselijke fMRI en macaque-elektrofysiologie. Specifiek presteren lokale leerveren (STDP, PC) consistent beter dan backpropagation in vroege visuele gebieden (V1/V2) bij beide soorten, wat suggereert dat de architecturale inductieve bias die deze regels begunstigt, geen artefact is van de fMRI-methodologie.

Omgekeerd vindt de studie geen detecteerbare cross-species correspondentie in rankings van hogere gebieden (IT) binnen de specifieke experimentele opzet. De auteurs schrijven dit bescheiden toe aan een combinatie van factoren:

Statistische Power: Het kleine aantal leerveren ( $n=5$ ) beperkt de mogelijkheid om correlaties te detecteren.
Modelcapaciteit: Het aangepaste CNN mist waarschijnlijk de capaciteit om de op objectniveau gecodeerde representaties in macaque IT te vangen, een beperking die wordt onderstreept door de superieure prestaties van ResNet-50.
Stimulusmismatch: Verschillen in stimulusdomeinen tussen datasets verwarren de interpretatie van IT-rankings.

De auteurs concluderen dat terwijl vroege visuele uitlijning robuust is, uitlijning in hogere gebieden wordt gemoduleerd door modelcapaciteit, rijkdom van trainingsdata en stimulusdomein. Deze resultaten motiveren toekomstige cross-species studies die gedeelde stimulussets, grotere architecturen en meer leervercondities gebruiken om voldoende gepowerde rankingsvergelijkingen mogelijk te maken.