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

Plaatselijke hersenbeschadiging kan resulteren in specifieke mentaleuitdagingen, waaronder problemen met visuele herkenning. Het isonduidelijk waarom bepaalde deficits en combinaties van deficitsvoorkomen. Recente evoluties in de humane neurowetenschap,waaronder eigen werk, hebben de complexiteit van hetonderliggende neuraal substraat aangetoond, en modellen zoalsdiepe neurale netwerken (DNNs) gaven ons een computationeelbegrip van de eigenschappen van dit substraat. Deze empirischekennis en computationele inzichten hebben een groot potentieel vooreen beter begrip van neuropsychologische deficits enneuropsychologische gevalstudies bieden een unieke kans om de albeschikbare computationele modellen te valideren. In dit projectwillen we deze nieuwe 'computationele neuropsychologie 2.0'toepassen. We gaan een nieuwe testbatterij van herkenningstakenontwikkelen met daarin meerdere klassen van stimuli en eenmanipulatie van moeilijkheid. We testen daarmee bij gezondedeelnemers hoe associaties in performantie tussen klassen enneurale overlap in de gezonde hersenen gerelateerd is aanrepresentationele overlap in DNNs. Een cruciale stap is eengrootschalige studie in patiënten met een beroerte, om na te gaan ofhet patroon van problemen bij de patiënten over klassen enmoeilijkheidsgraad kan verklaard worden door informatieverwerkingin DNNs. Dit zal toelaten om het volledige spectrum van humaneherkenningsproblemen te vatten met een computationeel model.