我们中的许多人很容易识别他人脸上表达的情绪。微笑可能意味着幸福，而皱眉可能表示愤怒。自闭症患者通常更难完成这项任务。目前还不清楚为什么。但发表在《神经科学杂志》上的新研究揭示了大脑的内部运作，从而提出了答案。它使用一种工具来为我们的头脑中的计算建模开辟新途径：人工智能。

研究人员主要提出了两个可能存在差异的大脑区域。灵长类动物(包括人类)大脑一侧称为颞下(IT)皮层的区域有助于面部识别。与此同时，称为杏仁核的更深区域接收来自IT皮层和其他来源的输入，并帮助处理情绪。

Kar首先查看了另外两位研究人员提供的数据：圣路易斯华盛顿大学的ShuoWang和加州理工学院的RalphAdolphs。在一项实验中，他们向自闭症成年人和神经典型对照组展示了面部图像。这些图像是由软件生成的，范围从恐惧到快乐，参与者迅速判断这些面孔是否描绘了快乐。与对照组相比，自闭症成年人需要更高的面部幸福度才能报告他们快乐。

大脑建模

Kar也是大脑、思想和机器中心的成员，他训练了一个人工神经网络，这是一种受大脑结构启发的复杂数学函数，以执行相同的任务。该网络包含的单元层大致类似于处理视觉信息的生物神经元。当信息从输入图像传递到最终判断时，这些层会处理信息，以指示面部快乐的概率。Kar发现，与自闭症成年人相比，该网络的行为更接近于神经典型控制。

该网络还提供了两个更有趣的功能。首先，卡尔可以剖析它。他剥去层层并重新测试它的性能，测量它与对照的匹配程度与与自闭症成年人的匹配程度之间的差异。当输出基于最后一个网络层时，这种差异最大。先前的研究表明，这一层以某种方式模仿了位于灵长类大脑腹侧视觉处理管道末端附近的IT皮层。Kar的研究结果表明，IT皮层在区分神经典型控制与自闭症成人的过程中发挥了作用。

另一个功能是该网络可用于选择在自闭症诊断中可能更有效的图像。如果在判断一组图像与另一组图像时，网络与神经典型对照与自闭症成人的匹配程度差异更大，则第一组可用于临床检测自闭症行为特征。“这些都是有希望的结果，”Kar说。更好的大脑模型将会出现，“但通常在临床中，我们不需要等待绝对最好的产品。”

接下来，Kar评估了杏仁核的作用。再次，他使用了王和同事的数据。他们使用电极来记录接受癫痫手术的人在执行面部任务时杏仁核中神经元的活动。研究小组发现，他们可以根据这些神经元的活动预测一个人的判断。Kar重新分析了数据，这一次控制了类似IT皮层的网络层预测一张脸是否真的快乐的能力。现在，杏仁核提供的信息很少。Kar得出结论，IT皮层是杏仁核在判断面部情绪中的作用背后的驱动力。

嘈杂的网络

最后，Kar训练了单独的神经网络，以匹配神经典型控制者和自闭症成年人的判断。他研究了最终层和决策节点之间连接的强度或“权重”。匹配自闭症成年人的网络中的权重，无论是积极的或“兴奋的”和消极的或“抑制的”权重，都弱于网络匹配的神经典型控制。这表明自闭症成人的感觉神经连接可能嘈杂或效率低下。

为了进一步检验该领域流行的噪声假设，Kar在网络建模自闭症成人的最后一层的活动中添加了不同程度的波动。在一定范围内，添加的噪音大大增加了其表现与自闭症成年人的相似度。向控制网络添加噪声对提高其与控制参与者的相似性的作用要小得多。这进一步表明自闭症患者的感官知觉可能是所谓的“嘈杂”大脑的结果。

计算能力

展望未来，Kar看到了视觉处理计算模型的多种用途。可以进一步推动它们，提供研究人员可能在动物模型中测试的假设。“我认为面部情绪识别只是冰山一角，”Kar说。它们还可用于选择甚至生成诊断内容。人工智能可用于生成电影和教育材料等内容，以最佳方式吸引自闭症儿童和成人。人们甚至可以调整自闭症患者在增强现实护目镜中看到的面部和其他相关像素，这是Kar计划在未来从事的工作。

最终，Kar说，这项工作有助于验证计算模型的有用性，尤其是图像处理神经网络。他们将假设形式化并使其可测试。一种或另一种模型是否更好地匹配行为数据?“即使这些模型与大脑相距甚远，它们也是可证伪的，而不是人们只是在编造故事，”他说。“对我来说，这是更强大的科学版本。”