Computationele neuropsychologie 2.0: Een "diep leren" verklaring voor het patroon van deficits in visuele herkenning na hersenbeschadiging

Plaatselijke hersenbeschadiging kan resulteren in specifieke mentale
uitdagingen, waaronder problemen met visuele herkenning. Het is
onduidelijk waarom bepaalde deficits en combinaties van deficits
voorkomen. Recente evoluties in de humane neurowetenschap,
waaronder eigen werk, hebben de complexiteit van het
onderliggende neuraal substraat aangetoond, en modellen zoals
diepe neurale netwerken (DNNs) gaven ons een computationeel
begrip van de eigenschappen van dit substraat. Deze empirische
kennis en computationele inzichten hebben een groot potentieel voor
een beter begrip van neuropsychologische deficits en
neuropsychologische gevalstudies bieden een unieke kans om de al
beschikbare computationele modellen te valideren. In dit project
willen we deze nieuwe "computationele neuropsychologie 2.0"
toepassen. We gaan een nieuwe testbatterij van herkenningstaken
ontwikkelen met daarin meerdere klassen van stimuli en een
manipulatie van moeilijkheid. We testen daarmee bij gezonde
deelnemers hoe associaties in performantie tussen klassen en
neurale overlap in de gezonde hersenen gerelateerd is aan
representationele overlap in DNNs. Een cruciale stap is een
grootschalige studie in patiënten met een beroerte, om na te gaan of
het patroon van problemen bij de patiënten over klassen en
moeilijkheidsgraad kan verklaard worden door informatieverwerking
in DNNs. Dit zal toelaten om het volledige spectrum van humane
herkenningsproblemen te vatten met een computationeel model.