Un equipo de investigación del MIT, el McGovern Institute for Brain Research y la Universidad de York descubrió que el proceso de aprender a reconocer objetos novedosos no deja intacto al sistema visual del cerebro. Por el contrario, se generan modificaciones sutiles en la corteza temporal inferior (IT), y estos ajustes ayudan a explicar cómo se refina la percepción. El hallazgo, divulgado por el portal MIT News, podría servir como base para diseñar estrategias de entrenamiento visual más efectivas en seres humanos.
El estudio, publicado en la prestigiosa revista Nature Communications, fue liderado por la investigadora posdoctoral Lynn Sörensen, el profesor del MIT James DiCarlo, y el profesor asistente de la Universidad de York Kohitij Kar. Para llevar a cabo el análisis, el grupo comparó lo que sucede en cerebros de animales con lo que ocurre en redes neuronales artificiales entrenadas para realizar la misma tarea de identificación de objetos. Los resultados mostraron que, a medida que los modelos mejoraban su rendimiento, su organización interna se transformaba de una forma sorprendentemente similar a la observada en los cerebros biológicos.
Uno de los descubrimientos más concretos fue que, tras el entrenamiento, los modelos computacionales lograron detectar una mayor cantidad de información sobre la ubicación de los objetos dentro de la IT, la región cerebral donde la información visual adquiere rasgos lo suficientemente definidos como para que el sujeto pueda identificar qué está viendo. Este efecto, que no era fácil de predecir de manera intuitiva, demuestra, según los investigadores, cómo el modelado puede revelar consecuencias del aprendizaje que no son evidentes a simple vista.
El aprendizaje reajusta la corteza temporal inferior
El debate de fondo era determinar en qué medida se modifica el sistema visual cuando un animal aprende a reconocer objetos nuevos. Una postura sostenía que estas vías neuronales permanecen en gran medida estables para no alterar de forma amplia la percepción, mientras que otros trabajos ya habían descrito cambios en la actividad de áreas visuales especializadas en humanos y otros primates.
Para examinar esta discusión, los científicos se concentraron en la corteza temporal inferior. Según el portal del MIT, cuando la información llega a esta región, ya contiene rasgos del objeto lo bastante sólidos como para descifrar qué está viendo el sujeto, e incluso permite anticipar qué errores podría cometer al identificarlo a partir de los patrones de actividad neuronal.
El equipo registró la actividad neuronal en esa zona mientras los animales observaban e identificaban imágenes. Algunos de ellos no habían sido entrenados previamente, por lo que las imágenes tenían poco significado; otros ya habían aprendido a reconocer objetos similares y podían distinguir elefantes, sillas y otras categorías, incluso si aparecían en diferentes tamaños, desde ángulos distintos o sobre fondos variados.
El patrón general de actividad en la IT resultó ser muy similar entre animales entrenados y no entrenados. Este hallazgo sugiere que el aprendizaje no reescribe de forma drástica esta representación visual de alto nivel.
No obstante, los investigadores detectaron diferencias sutiles pero consistentes en la respuesta de las neuronas a las imágenes cuando los animales ya habían aprendido a reconocer ese tipo de objetos. El punto central del estudio es precisamente ese: el aprendizaje visual no destruye el sistema previo, pero sí lo reajusta.
Los modelos ubicaron cambios fuera del sistema visual
Para investigar el papel de estas variaciones moderadas, Sörensen entrenó varias redes neuronales artificiales cuyos componentes internos habían sido asociados con la IT. Los modelos aprendían mediante descenso por gradiente, un método que mejora la precisión al corregir parámetros a partir de los errores cometidos.
Solo una parte de esos modelos mostró un comportamiento de aprendizaje alineado con el de los animales. En aquellos que sí coincidieron, la etapa análoga a esa región también cambió de un modo semejante al observado en los cerebros entrenados.
Los autores subrayan que el descenso por gradiente se utiliza de forma habitual en inteligencia artificial, aunque no suele considerarse un reflejo biológico directo de cómo aprende el cerebro. Para el equipo, la coincidencia entre animales y modelos indica que estas redes pueden aportar pistas útiles sobre el aprendizaje biológico a un nivel de abstracción productivo, aunque el cerebro no aprenda exactamente del mismo modo.
Sörensen explicó:
“Esto muestra que realmente se pueden construir versiones in silico de experimentos futuros”.
Y añadió:
“Creo que eso nos da este campo de juego para hacer preguntas de ‘qué pasaría si’ y, potencialmente, predecir cosas nuevas que van más allá de la intuición del experimentador”.
Kar señaló que la mayoría de los cambios que permitieron aprender en el modelo ocurrieron fuera de la IT.
“Esto nos dice que hay mucho entre el área de la que registramos actividad y la lectura final del comportamiento que necesita cambiar durante este proceso”, afirmó.
El aprendizaje visual tiene efectos colaterales
Los investigadores remarcaron que este estudio permitió realizar mediciones de actividad cerebral más granulares de las que serían posibles en humanos. Dado que los cerebros animales analizados están organizados de manera similar al humano, sostienen que los resultados tienen relevancia directa para entender cómo aprenden las personas.
DiCarlo explicó que, antes de este estudio, el equipo creía que, al aprender un objeto nuevo, el cerebro modificaba conexiones ubicadas después del sistema visual, no dentro de él, para evitar que esa arquitectura quedara alterada.
“No querrías que todo tu sistema visual se convirtiera en un detector de elefantes solo porque has aprendido a identificar un elefante. Pero este estudio fue más allá y dijo que, en realidad, cuando aprendes ‘elefante’, tu corteza temporal inferior sí cambia un poco para volverse un poco más relevante para los elefantes”, agregó.
Esa adaptación, según el investigador, probablemente también afecta otros rasgos visuales. Los cambios sutiles que ayudan a identificar un elefante podrían mejorar el reconocimiento de otros elementos, o bien, volver un poco más difícil identificar algunos distintos.
Estas consecuencias son difíciles de prever sin ayuda computacional. Los modelos, conforme al estudio, podrían servir para diseñar estrategias de entrenamiento visual más eficaces, incluso en personas que, por distintas condiciones, procesan la información visual de manera no convencional.
Fuente: Infobae