Task-optimized neural networks reveal distinct contributions of specialized and broader visual learning to neural representations of face familiarity
Door bron-opgeloste MEG te combineren met taakgeoptimaliseerde neurale netwerken, demonstreert deze studie dat de verwerking van gezichtstrouw een stadium-afhankelijke dissociatie omvat waarbij intermediaire visuele gebieden vertrouwen op gezichtsspecifieke training voor precieze timing, terwijl fusiforme cortex-representaties aansluiten bij bredere visuele leerdoelstellingen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://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
Het menselijk brein is een meester in herkenning. Binnen een fractie van een seconde kan het een vriend in een menigte identificeren, een bekend gezicht onderscheiden van een vreemde, en een complexe wereld van objecten navigeren. Decennialang hebben wetenschappers gedebatteerd over hoe dit gebeurt, specifiek met betrekking tot gezichten. Eén school van denken suggereert dat het brein beschikt over een toegewijde, gespecialiseerde hardware voor gezichten, een unieke bedrading die uitsluitend is geëvolueerd om menselijke gelaatstrekken te verwerken. Een andere visie stelt dat gezichtsherkenning simpelweg een hoogontwikkelde versie is van het algemene systeem dat we gebruiken om alle objecten te herkennen, van stoelen tot auto's. De waarheid ligt waarschijnlijk ergens tussenin, maar het vaststellen van precies waar en wanneer het brein overschakelt van algemene objectverwerking naar specifieke gezichtsexpertise is moeilijk gebleken. Dit komt omdat menselijke expertise gedurende een leven wordt opgebouwd; we kunnen niet simpelweg het geheugen van iemand over diens familie wissen om te zien hoe het brein daarop reageert, noch kunnen we het brein gemakkelijk hertrainen om gezichten als slechts een andere objectcategorie te behandelen.
Om dit puzzelstuk op te lossen, richtten onderzoekers zich op een ander soort waarnemer: kunstmatige neurale netwerken. Dit zijn computerprogramma's die ontworpen zijn om de structuur van het brein na te bootsen, in staat om te leren patronen te herkennen. Door deze netwerken te trainen op verschillende taken—sommige om specifieke personen te identificeren, andere om algemene objecten te sorteren—konden wetenschappers gecontroleerde modellen van visuele ervaring creëren. Ze vergeleken vervolgens de interne "gedachten" van deze netwerken met de werkelijke elektrische activiteit van menselijke hersenen. Het doel was om te zien welke delen van het brein overeenkwamen met welk soort leren, om zo het precieze moment en de plaats te onthullen waar gezichtsherkenning gespecialiseerd wordt.
De studie richtte zich op de ventrale visuele stroom, het pad in het brein dat verantwoordelijk is voor het verwerken van wat we zien. De onderzoekers concentreerden zich op twee sleutelgebieden: de laterale occipitale cortex, een regio die betrokken is bij het herkennen van vormen en objecten, en de fusiforme cortex, een gebied dat beroemd is gelinkt aan gezichtsverwerking. Ze gebruikten een techniek genaamd magneto-encefalografie, of MEG, die de magnetische velden meet die door hersenactiviteit worden geproduceerd met millisecondeprecisie. Dit stelde hen in staat om de reactie van het brein in real time te volgen terwijl deelnemers drie soorten afbeeldingen bekeken: gezichten van beroemde mensen die zij kenden, gezichten van vreemden die zij niet kenden, en gescrambelde afbeeldingen van gezichten die op ruis leken.
Om deze vloed aan gegevens te duiden, bouwde het team zeven verschillende computernetwerken. Sommigen werden getraind om specifieke identiteiten te herkennen, zoals het gezicht van een beroemdheid. Anderen werden getraind om objecten in brede categorieën te sorteren, zoals "hond" of "auto", waarbij gezichten als slechts een andere categorie werden behandeld. Een derde groep werd getraind om zowel objecten als gezichten als een groep te herkennen, maar zonder individuele gezichten te onderscheiden. Ten slotte waren er ongetrainde netwerken om als baseline te dienen. Door dezelfde gezichtsafbeeldingen in deze netwerken te voeren en de resulterende patronen te vergelijken met de menselijke hersenscans, konden ze in kaart brengen waar en wanneer de activiteit van het brein overeenkwam met het "leren" van de computer.
De resultaten onthulden een fascinerende splitsing in hoe het brein met vertrouwdheid omgaat. In de laterale occipitale cortex, de regio verantwoordelijk voor intermediaire objectverwerking, veranderde de timing van de reactie van het brein drastisch op basis van bekendheid. Wanneer deelnemers een bekend gezicht zagen, kwam de hersenactiviteit ongeveer 18 milliseconden sneller overeen met de computermodellen dan wanneer ze een onbekend gezicht zagen. Deze snelheidswinst was het meest consistent in de computermodellen die specifiek waren getraind om individuele identiteiten te herkennen. Dit suggereert dat het brein bij bekende gezichten een punt van herkenning iets eerder bereikt in de verwerkingsstroom, maar dat dit effect het meest nauw georganiseerd is wanneer het systeem is afgestemd op het identificeren van specifieke individuen.
Echter, het verhaal veranderde in de fusiforme cortex, het gebied dieper in het brein dat geassocieerd wordt met gedetailleerde gezichtsanalyse. Hier maakte bekendheid de reactie van het brein niet sneller, maar maakte het de reactie van het brein sterker en meer in lijn met de computermodellen. Cruciaal was dat deze sterkere reactie verscheen ongeacht hoe de computermodellen waren getraand. Of het netwerk nu een gezichtsexpert, een object-sorter of een algemene leerling was, de fusiforme regio van het brein vertoonde een robuuste, versterkte verbinding bij het bekijken van bekende gezichten. Deze bevinding daagt het idee uit dat het gezicht-gespecialiseerde gebied van het brein uitsluitend rust op een uniek, gezicht-specifiek leertraject. In plaats daarvan suggereert het dat het vermogen om een bekend gezicht te herkennen kan voortkomen uit bredere visuele leerervaringen, niet alleen door specifiek op gezichten te worden getraind.
De studie sluit effectief de notie uit dat gezichtsherkenning een enkelvoudig, alles-of-niets proces is. Het laat zien dat het brein verschillende strategieën gebruikt in verschillende stadia. In de middenstadia van de verwerking wordt de timing van het brein aangescherpt door het specifieke doel om individuen te identificeren. Maar in de latere stadia is het vermogen van het brein om een bekend gezicht te representeren flexibel en kan dit worden ondersteund door algemene visuele ervaring. Dit betekent dat hoewel het leren om specifieke mensen te identificeren de snelheid van herkenning verfijnt, de diepe, stabiele representatie van een bekend gezicht een meer algemene capaciteit is die geen gespecialiseerde, gezicht-specifieke trainingsregeling vereist. Het brein blijkt geen rigide machine met een enkele gezichtsschakelaar te zijn, maar een dynamisch systeem dat zijn verwerkingssnelheid en -sterkte aanpast afhankelijk van wat het heeft geleerd en waar in de visuele hiërarchie de informatie wordt verwerkt.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.