Um novo modelo computacional poderia explicar as diferenças no reconhecimento de emoções faciais.
Muitos de nós reconhecem facilmente as emoções expressas no rosto dos outros. Um sorriso pode significar felicidade, enquanto uma carranca pode indicar raiva. As pessoas autistas costumam ter mais dificuldade com essa tarefa. Não está claro por quê. Mas uma nova pesquisa, publicada em 15 de junho no The Journal of Neuroscience, lança luz sobre o funcionamento interno do cérebro para sugerir uma resposta. E o faz usando uma ferramenta que abre novos caminhos para modelar a computação em nossas cabeças: a inteligência artificial.
Os pesquisadores sugeriram principalmente duas áreas do cérebro onde as diferenças podem estar. Uma região do lado do cérebro dos primatas (incluindo humanos) chamada córtex temporal inferior (IT) contribui para o reconhecimento facial. Enquanto isso, uma região mais profunda chamada amígdala recebe informações do córtex de TI e de outras fontes e ajuda a processar emoções.
Kohitij Kar, pesquisador do laboratório do professor do MIT James DiCarlo, esperava encontrar a resposta. (DiCarlo, professor Peter de Florez no Departamento de Cérebro e Ciências Cognitivas, é membro do McGovern Institute for Brain Research e diretor do MIT’s Quest for Intelligence.)
Kar começou analisando dados fornecidos por dois outros pesquisadores: Shuo Wang, da Universidade de Washington em St. Louis, e Ralph Adolphs, da Caltech. Em um experimento, eles mostraram imagens de rostos para adultos autistas e controles neurotípicos. As imagens foram geradas por software para variar em um espectro de medo a feliz, e os participantes julgaram, rapidamente, se os rostos representavam felicidade. Em comparação com os controles, os adultos autistas exigiram níveis mais altos de felicidade nos rostos para denunciá-los como felizes.
Modelando o cérebro
Kar, que também é membro do Center for Brains, Minds and Machines, treinou uma rede neural artificial, uma função matemática complexa inspirada na arquitetura do cérebro, para realizar a mesma tarefa. A rede continha camadas de unidades que se assemelham a neurônios biológicos que processam informações visuais. Essas camadas processam informações à medida que passam de uma imagem de entrada para um julgamento final, indicando a probabilidade de que o rosto esteja feliz. Kar descobriu que o comportamento da rede combinava mais com os controles neurotípicos do que com os adultos autistas.
A rede também serviu para mais duas funções interessantes. Primeiro, Kar poderia dissecá-lo. Ele tirou as camadas e testou novamente seu desempenho, medindo a diferença entre quão bem ele combinava com controles e quão bem combinava com adultos autistas. Essa diferença foi maior quando a saída foi baseada na última camada de rede. Trabalhos anteriores mostraram que essa camada de certa forma imita o córtex de TI, que fica perto do final do pipeline de processamento visual ventral do cérebro dos primatas. Os resultados de Kar implicam o córtex de TI na diferenciação de controles neurotípicos de adultos autistas.
A outra função é que a rede pode ser usada para selecionar imagens que possam ser mais eficientes no diagnóstico de autismo. Se a diferença entre o quão próximo a rede corresponde a controles neurotípicos versus adultos autistas é maior ao julgar um conjunto de imagens versus outro conjunto de imagens, o primeiro conjunto pode ser usado na clínica para detectar traços comportamentais autistas. “Estes são resultados promissores”, diz Kar. Melhores modelos do cérebro aparecerão, “mas muitas vezes na clínica, não precisamos esperar pelo melhor produto absoluto”.
Em seguida, Kar avaliou o papel da amígdala. Novamente, ele usou dados de Wang e colegas. Eles usaram eletrodos para registrar a atividade dos neurônios na amígdala de pessoas submetidas a cirurgia para epilepsia enquanto realizavam a tarefa facial. A equipe descobriu que poderia prever o julgamento de uma pessoa com base na atividade desses neurônios. Kar reanalisou os dados, desta vez controlando a capacidade da camada de rede semelhante ao córtex de TI de prever se um rosto estava realmente feliz. Agora, a amígdala fornecia muito pouca informação própria. Kar conclui que o córtex de TI é a força motriz por trás do papel da amígdala no julgamento da emoção facial.
Redes barulhentas
Finalmente, Kar treinou redes neurais separadas para combinar os julgamentos de controles neurotípicos e adultos autistas. Ele olhou para os pontos fortes ou “pesos” das conexões entre as camadas finais e os nós de decisão. Os pesos na rede correspondente a adultos autistas, tanto os pesos positivos ou “excitatórios” quanto os negativos ou “inibitórios”, foram mais fracos do que nos controles neurotípicos correspondentes à rede. Isso sugere que as conexões neurais sensoriais em adultos autistas podem ser barulhentas ou ineficientes.
Para testar ainda mais a hipótese do ruído, que é popular no campo, Kar adicionou vários níveis de flutuação à atividade da camada final na rede de modelagem de adultos autistas. Dentro de uma certa faixa, o ruído adicionado aumentou muito a semelhança entre seu desempenho e o dos adultos autistas. Adicionar ruído à rede de controle fez muito menos para melhorar sua semelhança com os participantes de controle. Isso sugere ainda que a percepção sensorial em pessoas autistas pode ser o resultado de um cérebro chamado “ruidoso”.
Poder computacional
Olhando para frente, Kar vê vários usos para modelos computacionais de processamento visual. Eles podem ser estimulados ainda mais, fornecendo hipóteses que os pesquisadores podem testar em modelos animais. “Acho que o reconhecimento de emoções faciais é apenas a ponta do iceberg”, diz Kar. Eles também podem ser usados para selecionar ou até mesmo gerar conteúdo de diagnóstico. A inteligência artificial pode ser usada para gerar conteúdo como filmes e materiais educacionais que envolvam crianças e adultos autistas de maneira ideal. Pode-se até ajustar pixels faciais e outros pixels relevantes no que as pessoas autistas veem em óculos de realidade aumentada, trabalho que Kar planeja realizar no futuro.
Em última análise, diz Kar, o trabalho ajuda a validar a utilidade dos modelos computacionais, especialmente as redes neurais de processamento de imagens. Eles formalizam hipóteses e as tornam testáveis. Um modelo ou outro combina melhor com os dados comportamentais? “Mesmo que esses modelos estejam muito longe do cérebro, eles são falsificáveis, em vez de pessoas apenas inventando histórias”, diz ele. “Para mim, essa é uma versão mais poderosa da ciência.”
Publicado em 24/06/2022 08h13
Artigo original:
Estudo original: