[论文解读] Towards a Cognitive Computational Neuroscience of Auditory Phantom Perceptions

Patrick Krauß, Achim Schilling|arXiv (Cornell University)|Oct 5, 2020

Hearing, Cochlea, Tinnitus, Genetics参考文献 14被引用 5

一句话总结

本文提出了一种认知计算神经科学框架，通过生物可实现的计算模型整合人工智能、神经科学和心理学，以理解耳鸣。它认为仅靠假设检验不足以获得机制性洞见；相反，构建并完善执行特定任务的模型——尤其是受深度学习启发的模型——能够实现预测、与神经和行为数据的验证，并在计算机中测试潜在疗法，从而推动耳鸣研究超越数据驱动的方法。

ABSTRACT

In order to gain a mechanistic understanding of how tinnitus emerges in the brain, we must build biologically plausible computational models that mimic both tinnitus development and perception, and test the tentative models with brain and behavioral experiments. With a special focus on tinnitus research, we review recent work at the intersection of artificial intelligence, psychology and neuroscience, indicating a new research agenda that follows the idea that experiments will yield theoretical insight only when employed to test brain-computational models. This view challenges the popular belief, that tinnitus research is primarily data limited, and that producing large, multi-modal, and complex datasets, analyzed with advanced data analysis algorithms, will finally lead to fundamental insights into how tinnitus emerges. However, there is converging evidence that although modern technologies allow assessing neural activity in unprecedentedly rich ways in both, animals and humans, empirical testing one verbally defined hypothesis about tinnitus after another, will never lead to a mechanistic understanding. Instead, hypothesis testing needs to be complemented with the construction of computational models that generate verifiable predictions. We argue, that even though, contemporary artificial intelligence and machine learning approaches largely lack biological plausibility, the models to be constructed will have to draw on concepts from these fields, since they have already proven to do well in modeling brain function. Nevertheless, biological fidelity will have to be increased successively, leading to ever better and fine-grained models, allowing at the end for even testing possible treatment strategies in silico, before application in animal or patient studies.

研究动机与目标

• 通过将重点从数据积累转向理论驱动的建模，克服数据驱动耳鸣研究的局限性。
• 通过构建模拟神经和认知过程的生物可实现计算模型，建立耳鸣产生的机制性理解。
• 通过开发弥合神经动力学与主观体验之间差距的模型，实现人工智能与神经科学的整合。
• 在动物或临床试验之前，实现潜在耳鸣治疗的计算机模拟测试，减少对体内实验的依赖。
• 通过脑启发模型改进机器学习并解释深度学习系统，推动神经科学和人工智能的共同进步。

提出的方法

• 开发模拟神经元、突触和神经回路水平神经动力学的生物可实现计算模型，用于听觉处理。
• 使用深度学习和人工神经网络作为建模语音识别等听觉感知任务的初始算法蓝图。
• 应用分析层次框架（计算层、算法层、实现层）来组织模型开发与验证。
• 通过迭代优化逐步提高模型的生物真实性，与实证脑部和行为数据进行验证。
• 利用模型动态和内部表征，生成关于耳鸣潜在神经机制的可检验预测。
• 执行潜在耳鸣治疗的计算机模拟，以在现实实验前评估其疗效。

实验结果

研究问题

• RQ1 计算模型如何在描述性数据分析之外，提供耳鸣产生的机制性解释？
• RQ2 人工智能和深度学习模型在模拟与耳鸣感知相关的脑功能中扮演什么角色？
• RQ3 如何通过逐步提升生物真实性的模型，在计算机中预测并测试潜在的耳鸣治疗？
• RQ4 认知计算神经科学在多大程度上可以弥合耳鸣中神经活动与主观感知之间的差距？
• RQ5 与纯粹的数据驱动方法相比，基于模型的假设生成如何提高耳鸣研究的效率和深度？

主要发现

• 仅靠假设检验无法获得耳鸣的机制性理解；通过计算建模进行综合是必不可少的。
• 人工智能和深度学习模型因其形式化和算法清晰性，可作为建模听觉感知的可行起点。
• 计算模型能够生成关于神经和感知现象的可验证预测，从而实现迭代优化与验证。
• 提升模型的生物真实性可实现更精确的神经过程模拟，并与实证数据更好地对齐。
• 耳鸣治疗的计算机模拟测试是可行的，可能减少对动物实验的需求。
• 认知计算神经科学可实现双向促进：神经科学可为人工智能提供启示，人工智能亦有助于解释复杂的神经动力学。