类别选择性作为洞察行为相关性的窗口

《Cognitive Neuroscience》：Category selectivity as a window into behavioral relevance

OTC分类选择性与行为相关性的关系需整合研究，分类反映功能约束和计算优化，DNN验证其重要性并揭示自发形成机制，未来需探索分类稳定性与行为灵活性的整合机制。

　　

摘要

Ritchie等人（在本文中）认为，要更深入地理解枕颞皮层（OTC），需要将重点从类别选择性转移到行为相关性上。他们指出，仅仅关注面孔、身体或场景等类别过于狭隘，忽略了OTC如何支持灵活的、目标导向的行为。我们同意将神经表征与行为联系起来是至关重要的，但同时提醒不要将类别选择性和行为相关性视为对立的观点。类别选择性为我们提供了关于皮层表征如何组织以支持行为的宝贵见解，而计算建模的最新进展，尤其是深度神经网络，为探究这一关系提供了强大的框架。

关键词：

• 类别选择性
• 行为相关性
• 枕颞皮层
• 功能专门化
• 深度神经网络

为何要探讨“为什么会有类别选择性？”

为什么OTC会对面孔、身体或场景表现出类别选择性呢？从进化的角度来看，某些类别在视觉皮层中可能占据特殊地位，这是因为它们在生态学上的重要性（Bracci & Op de Beeck, 引用2023; Kanwisher, 引用2010; Peelen & Downing, 引用2017）：面孔有助于社会互动，身体支持动作理解，场景则便于导航。因此，类别选择性表明某些类别对于适应性行为尤为重要，但这并不意味着神经反应仅限于分类。相反，类别选择性的表征可以灵活地用于多种目标导向的功能（Hoffman & Haxby, 引用2000; Persichetti & Dilks, 引用2019; Taylor等人, 引用2007）。此外，不同个体和物种中一致出现的类别选择性皮层区域表明，这些特征反映了普遍的功能约束（Op de Beeck等人, 引用2019）。

Ritchie等人较少强调的另一种解释来自计算建模。类别选择性可能不仅反映了生态学因素，还反映了优化压力。当系统需要解决多个潜在竞争的任务时，将它们划分为部分独立的功能子系统在计算上更为高效（Dobs等人, 引用2022; Finzi等人, 引用2023; Yang等人, 引用2019）。在这种观点下，类别选择性源于学习多种行为的需求（通过进化和/或发展），既体现了适应性效用，也满足了计算需求。类别选择性并非与行为相关性相对立，而是提供了理解行为相关性的直接途径。

深度神经网络使类别选择性的关键测试成为可能

Ritchie等人提出的一个核心批评是关于使用深度神经网络（DNNs）研究类别选择性。作者认为DNNs“只是验证了传统单变量神经成像方法基于选择性刺激采样所得到的结果，而非对其进行测试”。我们不同意这一观点。DNNs使我们能够超越描述性映射，通过系统地调整模型架构、训练经验和学习目标等方式进行实验（Kanwisher等人, 引用2023）。重要的是，DNNs为测试基于优化的类别选择性理论提供了强大的平台。最近的研究表明，即使没有明确的类别特定训练目标，DNNs也能自发地表现出类别选择性（Blauch等人, 引用2022; Keller等人, 引用2021; Margalit等人, 引用2024; Prince等人, 引用2024），这与这种组织结构源于学习表示视觉环境的观点是一致的。在我们自己的研究中，破坏DNNs中功能不同的子网络会导致识别性能的选择性受损（Dobs等人, 引用2022），这表明按类别进行划分在计算上是有优势的。这种方法与fMRI中的刺激-反应映射根本不同，因为它揭示了系统本身依赖于类别选择性编码来实现成功的行为。由于DNNs可以应用于数百万种自然刺激，它们能够进行超出实验范围的组织稳健性测试。即便在这些条件下，类别选择性仍然是OTC组织的一个稳健特征，而非采样偏差（Khosla & Wehbe, 引用2023; Ratan Murty等人, 引用2021）。DNN模型不仅仅是用新工具重现旧结果，而是将类别选择性与行为相关性更紧密地结合起来。

互补而非竞争的方法

最后，作者认为模型中的预测因子应基于行为相关性而非类别特征。我们认为这两种方法是互补的。将模型限制在“行为相关的”预测因子上，其局限性不亚于仅关注典型类别。类别提供了一个强大的组织原则，而行为相关性则提供了解释这一原则的功能视角。一个富有成效的方向是整合这两种视角：探讨类别选择性是如何产生的，它是如何支持行为的，以及其招募机制如何适应变化的目标。

结论

重新思考类别选择性的呼吁是及时且有价值的，因为最近的研究表明，视觉皮层中的离散类别选择性模式反映了多维的组织结构（Contier等人, 引用2024; van Dyck等人, 引用2025）。然而，不应将类别选择性视为以类别为中心的观点的遗留物；它为理解神经表征与行为之间的联系提供了关键线索。使用DNNs进行计算建模，尤其是结合损伤等因果操作，证明了类别选择性表征直接参与了识别过程。此外，新兴的计算证据表明，这种选择性可能是由平衡多个潜在竞争视觉任务的优化过程自发产生的。未来的核心问题不是类别选择性是否重要，而是为什么对特定类别的选择性会始终出现，以及这种稳定的组织结构如何支持适应性视觉所需的灵活性。