Daugelis iš mūsų lengvai atpažįstame emocijas, išreikštas kitų veiduose. Šypsena gali reikšti laimę, o susiraukusi kakta – pyktį. Autizmo žmonėms ši užduotis dažnai būna sunkiau. Neaišku kodėl. Tačiau naujas tyrimas, paskelbtas birželio mėn. 15 žurnale The Journal of Neuroscience , atskleidžia vidinį smegenų darbą ir siūlo atsakymą. . Ir tai daroma naudojant įrankį, kuris atveria naujus būdus modeliuoti skaičiavimus mūsų galvose: dirbtinį intelektą.
Tyrėjai pirmiausia pasiūlė dvi smegenų sritis, kuriose gali slypėti skirtumai. Primatų (įskaitant žmogaus) smegenų šone esanti sritis, vadinama apatine laikinąja (IT) žieve, prisideda prie veido atpažinimo. Tuo tarpu gilesnis regionas, vadinamas migdoline dalele, gauna informaciją iš IT žievės ir kitų šaltinių ir padeda apdoroti emocijas.
Kohitij Kar, MIT profesoriaus Jameso DiCarlo laboratorijos mokslininkas, tikėjosi į nulį atsakymo. (DiCarlo, Peterio de Florezo Smegenų ir pažinimo mokslų katedros profesorius, yra McGovern smegenų tyrimų instituto narys ir MIT žvalgybos ieškojimo direktorius.)
Kar pradėjo nagrinėjant duomenis, kuriuos pateikė kiti du mokslininkai: Shuo Wang iš Vašingtono universiteto Sent Luise ir Ralph Adolphs iš Caltech. Vieno eksperimento metu jie rodė veidų atvaizdus autistams suaugusiems ir neurotipinėms kontrolėms. Vaizdai buvo sukurti naudojant programinę įrangą, kad jie svyruotų nuo baisaus iki laimingo, o dalyviai greitai įvertino, ar veidai vaizduoja laimę. Palyginti su kontroliniais žmonėmis, suaugusiems autistams reikėjo didesnio laimės lygyje, kad praneštų apie juos laimingais.
Smegenų modeliavimas
Karas, kuris taip pat yra Smegenų, protų ir mašinų centro narys, išmokė dirbtinį neuronų tinklą – sudėtingą matematinę funkciją, įkvėptą smegenų architektūros. , atlikti tą pačią užduotį. Tinkle buvo vienetų sluoksniai, kurie maždaug primena biologinius neuronus, kurie apdoroja vaizdinę informaciją. Šie sluoksniai apdoroja informaciją, kai ji pereina iš įvesties vaizdo į galutinį sprendimą, nurodantį tikimybę, kad veidas bus laimingas. Kar išsiaiškino, kad tinklo elgesys labiau atitiko neurotipinius valdymo elementus nei suaugusiųjų autizmu.
Tinklas taip pat atliko dvi įdomesnes funkcijas. Pirma, Kar galėjo jį išskrosti. Jis nuplėšė sluoksnius ir iš naujo išbandė jo veikimą, įvertindamas skirtumą tarp to, kaip jis atitiko valdiklius ir kaip gerai jis atitiko autistiškus suaugusiuosius. Šis skirtumas buvo didžiausias, kai išvestis buvo pagrįsta paskutiniu tinklo sluoksniu. Ankstesnis darbas parodė, kad šis sluoksnis tam tikrais atžvilgiais imituoja IT žievę, esančią netoli primatų smegenų ventralinio vaizdo apdorojimo dujotiekio galo. Kar rezultatai rodo, kad IT žievė skiria neurotipinius kontrolinius elementus nuo suaugusiųjų, turinčių autizmą.
Kita funkcija yra ta, kad tinklas gali būti naudojamas atrinkti vaizdus, kurie gali būti veiksmingesni diagnozuojant autizmą. Jei sprendžiant vieną vaizdų rinkinį, palyginti su kitu vaizdų rinkiniu, skirtumas tarp to, kaip tinklas sutampa su neurotipinėmis kontrolėmis, palyginti su autistiškais suaugusiaisiais, yra didesnis, pirmasis rinkinys gali būti naudojamas klinikoje autizmo elgesio bruožams nustatyti. „Tai daug žadantys rezultatai“, – sako Kar. Atsiras geresni smegenų modeliai, „bet dažnai klinikoje mums nereikia laukti absoliučiai geriausio produkto“.
Toliau Kar įvertino amygdala. Vėlgi, jis naudojo Wang ir kolegų duomenis. Jie naudojo elektrodus, kad užfiksuotų neuronų aktyvumą žmonių, kuriems buvo atlikta operacija dėl epilepsijos, migdoliniame kūne, kai jie atliko veido užduotį. Komanda nustatė, kad jie gali numatyti žmogaus sprendimą, pagrįstą šių neuronų veikla. Kar iš naujo išanalizavo duomenis, šį kartą kontroliuodamas IT žievės tipo tinklo sluoksnio gebėjimą numatyti, ar veidas tikrai laimingas. Dabar migdolinis kūnas pateikė labai mažai informacijos. Kar daro išvadą, kad IT žievė yra migdolinio kūno vaidmens sprendžiant veido emocijas varomoji jėga.
Triukšmingi tinklai
Galiausiai Kar išmokė atskirus neuroninius tinklus, kad jie atitiktų neurotipinės kontrolės ir autizmų suaugusiųjų sprendimus. Jis pažvelgė į jungčių tarp galutinių sluoksnių ir sprendimo mazgų stipriąsias arba „svorius“. Svoriai tinkle, atitinkančiame autistinius suaugusiuosius, tiek teigiami, tiek „jaudinantys“, tiek neigiami ar „slopinantys“ svoriai, buvo silpnesni nei tinkle, atitinkančiame neurotipinę kontrolę. Tai rodo, kad autistiškų suaugusiųjų jutiminės nervų jungtys gali būti triukšmingos arba neefektyvios.
Norėdamas toliau patikrinti triukšmo hipotezę, kuri populiari šioje srityje, Kar pridėjo įvairių svyravimų lygių. galutinio sluoksnio aktyvumas tinkle, modeliuojant autistiškus suaugusiuosius. Tam tikrame diapazone pridėtas triukšmas labai padidino jo ir autistiškų suaugusiųjų veikimo panašumą. Triukšmo įtraukimas į valdymo tinklą žymiai mažiau pagerino jo panašumą į kontrolės dalyvius. Tai dar labiau rodo, kad autistiškų žmonių jutiminis suvokimas gali būti vadinamųjų „triukšmingų“ smegenų rezultatas.
Skaičiavimo galia
Žvelgiant į ateitį, Kar mato keletą vaizdinio apdorojimo skaičiavimo modelių panaudojimo būdų. Jie gali būti toliau skatinami, pateikiant hipotezes, kurias mokslininkai gali išbandyti su gyvūnų modeliais. „Manau, kad veido emocijų atpažinimas yra tik ledkalnio viršūnė“, – sako Kar. Jie taip pat gali būti naudojami diagnostiniam turiniui parinkti ar net generuoti. Dirbtinis intelektas galėtų būti naudojamas kuriant turinį, pvz., filmus ir mokomąją medžiagą, kuri optimaliai sudomintų autistiškus vaikus ir suaugusiuosius. Galima net pakoreguoti veido ir kitus svarbius pikselius autistams matomuose papildytos realybės akiniuose – darbe, kurio Kar planuoja užsiimti ateityje.
Galų gale, sako Kar, darbas padeda patvirtinti skaičiavimo modelių, ypač vaizdo apdorojimo neuroninių tinklų, naudingumą. Jie formalizuoja hipotezes ir leidžia jas patikrinti. Ar vienas ar kitas modelis geriau atitinka elgsenos duomenis? „Net jei šie modeliai yra labai toli nuo smegenų, jie yra falsifikuojami, o ne žmonės tiesiog kuria istorijas“, – sako jis. „Man tai yra galingesnė mokslo versija.“
