Ver formas comprender el sistema visual del cerebro
Comprender el sistema visual del cerebro podría informar el desarrollo de mejores sistemas artificiales
Para la mayoría de nosotros, la visión es una parte importante de cómo percibimos el mundo, ya que proporciona un flujo constante de información sobre los objetos que nos rodean. Sin embargo, hay muchos científicos que aún no saben cómo nuestros cerebros recopilan e integran esta información en las imágenes cohesivas que vemos.
Carlos Ponce , quien recientemente se convirtió en profesor asistente de neurobiología en el Instituto Blavatnik de la Inicio | Escuela de Medicina de Harvard, se encuentra entre los cautivados por estas preguntas sobre el sistema visual. Está motivado por la idea de que si los investigadores pueden comprender cómo funciona el sistema visual en el cerebro, pueden usar esta información para construir mejores modelos computacionales.
“Imagine un modelo computacional que pueda ver y razonar tan bien como lo hace un ser humano, pero más rápido y las 24 horas del día”, dijo Ponce.
Dichos modelos podrían impulsar sistemas visuales artificiales con innumerables aplicaciones, desde imágenes médicas hasta conducción y seguridad.
Ponce habló con Harvard Medicine News sobre su investigación, que combina modelos computacionales con experimentos de electrofisiología para explorar los fundamentos del sistema visual.
HMNews: ¿Cómo se interesó por la neurociencia visual?
Ponce: Crecí en una granja y siempre me gustaron los animales, así que sabía que la biología iba a ser mi camino. Mi interés por la neurociencia visual se inspiró en el trabajo de neurocientíficos que se centran en la divulgación y en hacer que su investigación sea accesible para los no expertos.
Específicamente, durante la universidad, leí este asombroso artículo en Scientific American sobre cómo el sistema visual no es un sistema coherente y completamente conectado que coincida con nuestra percepción, sino que está separado en subredes que se especializan en tareas como reconocer formas o rastrear movimientos. Me fascinaba la idea de que mi percepción, que está unificada en esta hermosa película de visión, está siendo deconstruida por una parte de mi cerebro a la que no puedo acceder conscientemente y es producto de estos demonios computacionales más pequeños que están haciendo su trabajo. Procesamiento propio. Me hizo pensar en mí mismo no solo como una esencia unificada, sino como un proceso computacional. Me asombró. Pensé que si no trabajaba a tiempo completo para entender cómo funciona el cerebro, siempre me lo preguntaría.
HMNews: ¿Cómo está estudiando el sistema visual en el cerebro?
Ponce: Estudio las partes del sistema visual que están relacionadas con el análisis de formas, es decir, todas las operaciones que nos permiten reconocer una cara frente a un sombrero, por ejemplo. Estas partes del cerebro se denominan vía ventral y comprenden neuronas que se sabe que responden a imágenes complejas como imágenes. Utilizo monos macacos como modelo, porque de todos los animales de experimentación tienen el cerebro más cercano al de los humanos.
Si un humano o un mono mira una pantalla y presenta imágenes, algunas de las imágenes harán que las neuronas se activen mucho más y, a menudo, esas imágenes son cosas que podemos interpretar, como caras o lugares. Las respuestas de estas neuronas se aproximan a lo que es nuestra percepción, pero no siempre coinciden exactamente. Es más complicado que eso.
HMNews: ¿Qué aporta la computación a este esfuerzo?
Ponce: Si queremos entender qué hacen estas neuronas, podemos revisar las imágenes y encontrar las que las activan con más fuerza. En el enfoque clásico, los científicos muestran imágenes de un mono de formas muy simples y ven cómo responden sus neuronas. Las imágenes representan una hipótesis y la respuesta neuronal es una evaluación de eso. Este enfoque es parte integral de la neurociencia visual y nos ha brindado una gran comprensión del cerebro, pero está limitado por nuestras propias imaginaciones, corazonadas y prejuicios.
A veces no sabemos lo que no sabemos. Además, este enfoque no nos permite predecir cómo responderán las neuronas a imágenes aleatorias del mundo. Si queremos construir un sistema visual en una computadora que sea tan bueno como el de nuestro cerebro, necesita actuar a través de todo tipo de imágenes.
En los últimos cinco años, la comunidad de aprendizaje automático ha desarrollado modelos computacionales que pueden aprender de millones de imágenes del mundo. Los modelos aprenden motivos y formas que no solo se pueden usar para reconstruir imágenes existentes, sino que también se pueden usar para crear imágenes completamente nuevas. Usamos estos asombrosos modelos computacionales en nuestros estudios de macacos.
Nuestro enfoque es emocionante porque en su mayoría nos mantenemos al margen y dejamos que la cooperación entre las neuronas y la inteligencia de la máquina produzca resultados que no esperábamos. Cada vez que estudiamos una neurona en algún lugar del cerebro, esa neurona nos transmite su información directamente a través del aprendizaje automático. Ya no estamos limitados por nuestra propia imaginación y nuestro propio lenguaje al tratar de comprender el sistema visual. Ahora nos dice las características importantes del mundo a las que deberíamos prestar atención.
HMNews: En su artículo de Cell de 2019 , descubrió cómo integrar este tipo de modelos computacionales en su investigación. ¿Qué reveló sobre el sistema visual?
Ponce: Cuando era un postdoctorado en HMS trabajando con Margaret Livingstone , vinculamos los modelos a las neuronas en el sistema visual del macaco para que pudiéramos ver imágenes creadas desde cero que hacen que las neuronas respondan cada vez más.
La primera vez que probamos esto, registramos a partir de un conjunto de neuronas en una parte del cerebro de los macacos que responde a las caras. Efectivamente, a partir del ruido, una imagen comenzó a crecer en el modelo computacional que parecía el rasgo de una cara. No una cara completa, solo un ojo y una curva circundante. La neurona se estaba volviendo loca, esencialmente diciendo, guau, esta es una combinación perfecta para lo que estoy codificando. Nuestro descubrimiento fue que se pueden acoplar modelos computacionales a neuronas en el cerebro del macaco que responden visualmente, y hacer que las neuronas guíen el modelo para crear imágenes que las activen mejor.
Sin embargo, nos sorprendieron algunas de las imágenes que se crearon. Algunas tenían mucho sentido, como partes de rostros o cuerpos, pero otras no se parecían a ningún objeto. En cambio, eran patrones que atravesaban categorías semánticas: a veces ocurren en rostros y otras veces ocurren en cuerpos o escenas aleatorias. Nos dimos cuenta de que las neuronas del cerebro de los macacos están aprendiendo motivos específicos que no necesariamente se ajustan a nuestro lenguaje. Las neuronas tienen un lenguaje propio que se trata de describir las estadísticas del mundo natural.
HMNews: Recientemente publicó una secuela de esta investigación en Nature Communications . ¿Cómo se basó en su trabajo anterior?
Ponce: En nuestro nuevo artículo en Nature Communications , aplicamos este método computacional a diferentes partes del cerebro de los macacos que están relacionadas con el reconocimiento visual de formas.
Esto incluyó neuronas en las partes posteriores del cerebro que responden a objetos muy simples y neuronas en las partes anteriores que responden a objetos más complejos. Pudimos cuantificar la complejidad de la información que codifican estas neuronas y encontramos que tiene un nivel intermedio de densidad; no es tan simple como una imagen lineal ni tan complejo como una fotografía.
Luego nos preguntamos de dónde vienen las imágenes. Sabemos que los macacos, como todas las criaturas sociales, incluidos los humanos, miran muchas caras. Resultó que muchos de los fragmentos de información que recopilamos de las neuronas tenían características similares a las de los rostros. Pensamos que tal vez la información en el cerebro de los monos está relacionada con el lugar donde miran, y aprenden patrones importantes del mundo visual a través de la experiencia. Hicimos experimentos en los que dejamos que los macacos miraran miles de imágenes y comparamos las partes de las imágenes que llamaron su atención sobre la información sobre formas sintéticas que obtuvimos directamente de sus cerebros. Efectivamente, los macacos tendían a mirar partes de las imágenes que eran similares a las características codificadas por sus neuronas. Eso nos da una pista de que durante el desarrollo,
HMNews: ¿Qué quieres hacer a continuación?
Ponce: Hay tantas preguntas que aún queremos responder. Ahora sabemos que podemos identificar características en el mundo que activan neuronas individuales. Sin embargo, el cerebro no trabaja una neurona a la vez.
Funciona con conjuntos de neuronas que responden a la información visual al mismo tiempo. Queremos ampliar nuestro enfoque para caracterizar poblaciones completas de neuronas. Queremos saber si alguien nos da un patrón de actividad para las neuronas, ¿podemos averiguar qué características del mundo visual representa? Estamos explorando si podemos usar nuestro método para reconstruir imágenes que ha visto el macaco.
Otro punto importante es que el cerebro organiza las neuronas en función de su función. Por ejemplo, las neuronas que responden a las caras tienden a agruparse y están más alejadas de las neuronas que responden a escenas y lugares naturales. Entonces, ¿cómo decide el cerebro dónde colocar las neuronas? Todavía no tenemos ese mapa, pero creo que nuestro enfoque será muy bueno para tratar de identificar la topografía.
En última instancia, estamos tratando de caracterizar los patrones que aprende el cerebro e identificar las redes neuronales que contienen esta información. Una vez que hagamos esto, deberíamos poder desarrollar modelos computacionales que codifiquen la misma información y puedan usarse para mejorar los sistemas visuales artificiales.
Estoy particularmente intrigado por las posibles aplicaciones clínicas. Durante mi formación médica, vi sistemas automatizados que analizaban muestras de tejido cervical y me di cuenta de que tendría mucho sentido tener un sistema visual artificial que pueda asegurarse de que el patólogo no se pierda nada. Es de esperar que se puedan utilizar mejores sistemas visuales artificiales en entornos clínicos para mejorar la detección y salvar vidas.
HMNews: Inicialmente te inspiraron los científicos que se dedican a la divulgación. ¿Está incorporando el alcance en su nuevo puesto?
Ponce: Por supuesto.
Espero reproducir mi propia introducción a la ciencia. Cuando emigré a Estados Unidos desde México, entendí muy poco sobre la academia. Durante la escuela secundaria, alguien me dijo que puedes conseguir un trabajo como técnico de laboratorio, y un verano lo hice. Para mí fue una revelación asombrosa de cómo podría ser la ciencia.
A partir del verano de 2022, como parte del Proyecto Éxito en la Oficina para la Inclusión de la Diversidad y la Asociación Comunitaria en HMS, planeo recibir a estudiantes de secundaria de Boston para que vengan a trabajar a mi laboratorio y vean cómo es la vida de la investigación. Me comprometo activamente a asegurarme de que continuemos ese programa para que podamos traer más estudiantes de diferentes orígenes para experimentar la ciencia. Con el tiempo, es posible que intentemos ampliarlo, pero creo que es valioso que un nuevo grupo de estudiantes de secundaria cada año aprenda que la ciencia es excelente y que deberían considerarla como una carrera.
Relacionado :
Existencia de células madre en el cerebro humano Revista NUVE