腹流

灵长类腹流的拓扑深度 ANN 模型能否预测直接 IT 皮质干预的感知效果？

不断发展的腹侧视觉流人工神经网络 (ANN) 模型以越来越高的精度捕捉核心物体识别行为及其背后的神经机制。这些模型以图像作为输入，通过类似于灵长类动物腹侧流各个阶段的生物神经表征的模拟神经表征进行传播，并产生类似于灵长类动物行为选择的模拟行为选择。我们在此扩展这种建模方法来进行和测试神经干预实验的预测。具体而言，我们通过开发扰动模块将微刺激、光遗传学抑制和肌肉抑制转化为模型神经活动的变化，为灵长类动物视觉处理的拓扑深度 ANN (TDANN) 模型提供了一种新的预测机制。这开启了预测特定神经扰动的行为效应的能力。我们通过一套九个相应的基准将这些预测与灵长类 IT 扰动实验文献中的关键结果进行了比较。在没有任何基准拟合的情况下，我们发现通过空间相关性损失和标准分类任务的共同训练生成的 TDANN 模型可以定性预测所有九种行为结果。相比之下，通过随机地形或在分类训练后通过地形单元排列生成的 TDANN 模型预测的结果不到一半。然而，这些模型的定量预测与实验数据始终不一致，高估了某些行为效应的幅度，而低估了其他行为效应。所有 TDANN 模型都不是用单独的模型半球构建的，因此，不出所料，所有模型都无法预测半球依赖性效应。综合起来，这些发现表明，当前的拓扑深度 ANN 模型与扰动模块配对，可以合理地指导预测 IT 中直接因果实验的定性结果，但需要改进的 TDANN 模型才能实现精确的定量预测。