Da Ativação à Causalidade: Descoberta de Representações Visuais Causais no Cérebro Humano

Resumo

Identificar quais regiões cerebrais representam um conceito visual no cérebro humano é um desafio central na neurociência. Abordagens existentes localizaram regiões funcionais grosseiras (por exemplo, rostos, lugares) através da maximização de ativação, identificando regiões que ativam fortemente para um conceito alvo em relação a outros conceitos. No entanto, a forte ativação por si só não estabelece que uma região representa o próprio conceito, pois as respostas podem, em vez disso, ser impulsionadas por pistas visuais ou semânticas correlacionadas. Apresentamos o BrainCause, uma estrutura automatizada que combina modelos generativos e cerebrais para sintetizar estímulos controlados e validar representações neurais através de testes causais direcionados. Dada uma consulta especificando um conceito de interesse, nossa estrutura constrói conjuntos de estímulos direcionados que compreendem imagens do conceito, edições contrafactuais que removem o conceito alvo enquanto preservam o restante do conteúdo da imagem, e imagens com distratores correlacionados candidatos. Em seguida, utiliza um modelo de codificação imagem-para-fMRI para prever respostas cerebrais e busca por representações que respondam especificamente ao conceito alvo em detrimento de alternativas correlacionadas. O BrainCause retorna representações candidatas validadas e propõe experimentos de fMRI de acompanhamento para testar ou estender suas descobertas. Nossa abordagem recupera com sucesso localizações funcionais conhecidas e identifica novas representações candidatas em dezenas de conceitos, validadas tanto em dados de fMRI previstos quanto medidos. Criticamente, mostramos que, sem validação causal, uma grande fração das localizações seriam falsos positivos, confirmando que a ativação por si só é evidência insuficiente de representação.

English

Identifying which brain regions represent a visual concept in the human brain is a central challenge in neuroscience. Existing approaches have localized coarse functional regions (e.g., faces, places) through activation maximization, identifying regions that activate strongly for a target concept relative to other concepts. Yet strong activation alone does not establish that a region represents the concept itself, as responses may instead be driven by correlated visual or semantic cues. We introduce BrainCause, an automated framework that combines generative and brain models to synthesize controlled stimuli and validate neural representations through targeted causal testing. Given a query specifying a concept of interest, our framework constructs targeted stimulus sets comprising concept images, counterfactual edits that remove the target concept while preserving other image content, and images with candidate correlated distractors. It then uses an image-to-fMRI encoding model to predict brain responses and searches for representations that respond specifically to the target concept over correlated alternatives. BrainCause returns validated candidate representations and proposes follow-up fMRI experiments to further test or extend its discoveries. Our approach successfully recovers known functional localizations and identifies new candidate representations across dozens of concepts, validated on both predicted and measured fMRI data. Critically, we show that without causal validation, a large fraction of localizations would be false positives, confirming that activation alone is insufficient evidence of representation.