Cómo cambia el cerebro cuando aprende a reconocer objetos nuevos, según el MIT

Un estudio de MIT, McGovern y York identificó que aprender a reconocer objetos nuevos no deja intacto el sistema visual del cerebro: modifica de forma sutil la corteza temporal inferior (IT) y esos cambios ayudan a explicar cómo ajusta la percepción, una pista que podría servir para diseñar estrategias de entrenamiento visual en humanos, informó el MIT News, el portal de noticias del instituto.

El trabajo, publicado en Nature Communications, reunió a la posdoctoranda Lynn Sörensen, al profesor del MIT James DiCarlo y al profesor asistente de la Universidad de York Kohitij Kar. El equipo comparó lo que ocurre en cerebros animales y en redes neuronales artificiales entrenadas para identificar los mismos objetos, y observó que, a medida que mejoraba el desempeño de los modelos, su organización interna cambiaba de una manera muy parecida a la detectada en los cerebros analizados.

Uno de los hallazgos más concretos fue que, después de ese entrenamiento, los modelos computacionales detectaron más información sobre la ubicación de los objetos en la IT —la región donde la información visual adquiere rasgos suficientemente definidos como para identificar qué está viendo el sujeto—. Ese efecto no era fácil de anticipar de manera intuitiva y, según los investigadores, muestra por qué 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 cuánto se modifica el sistema visual cuando un animal aprende a reconocer objetos nuevos. Una posición sostenía que esas vías permanecen en gran medida estables para no alterar de forma amplia la percepción, mientras otros trabajos habían descrito cambios de actividad en áreas visuales especializadas de humanos y otros primates.

Para examinar esa discusión, los científicos se concentraron en la corteza temporal inferior. Según el portal, cuando la información llega a esa región, ya contiene rasgos del objeto lo bastante definidos como para descifrar qué está viendo el sujeto e incluso anticipar qué errores puede cometer al identificarlo a partir de los patrones de actividad neuronal.

El equipo registró actividad neuronal en esa zona mientras los animales miraban e identificaban imágenes. Algunos no habían sido entrenados y, por eso, las imágenes tenían poco significado para ellos; otros ya habían aprendido a reconocer objetos parecidos y podían distinguir elefantes, sillas y otras categorías incluso si aparecían con tamaños distintos, desde otros ángulos o sobre fondos diferentes.

El patrón general de actividad en la IT fue muy similar entre animales entrenados y no entrenados. Ese resultado sugiere que el aprendizaje no reescribe de forma drástica esta representación visual de alto nivel.

Aun así, 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 qué papel cumplían esas variaciones moderadas, Sörensen entrenó varias redes neuronales artificiales cuyos componentes internos habían sido asociados con la IT. Los modelos aprendían con descenso por gradiente, un método que mejora la precisión al corregir parámetros a partir de los errores.

Solo una parte de esos modelos mostró un comportamiento de aprendizaje alineado con el de los animales. En los 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 usa 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 en 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 mediciones de actividad cerebral más granulares de las que serían posibles en humanos. Como 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 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, también en personas que, por distintas condiciones, procesan la información visual de manera no convencional.