Effect of image scrambling on inferior temporal cortical responses

这篇文章做的事很简单也很干净：把自然物体图片按不同"粉碎程度"打乱（image scrambling），看猕猴下颞叶皮层（inferior temporal cortex, IT）单个神经元的反应随打乱程度如何变化。它值得读，是因为用单细胞电生理直接回答了人类功能成像留下的问题——IT 究竟编码整个物体还是物体的部件——并且给出的群体量-效曲线与人类外侧枕区（lateral occipital area, LO）的 fMRI 结果高度吻合，成为连接两物种证据的一座小桥。

研究背景

灵长类腹侧视觉通路（ventral visual pathway）从 V1 起始、止于 IT，一直被认为承担物体识别。通路里层级越高的区域对越复杂的刺激特征有选择性：比如 IT 中有对面孔选择性反应的"面孔细胞"，其中一些对正常构型的面孔反应更好，而对五官位置被打乱的面孔反应变差，说明它们编码的是面孔特征的整体构型而非零散部件。但除面孔之外，其他物体到底是由"整物细胞"表征，还是由一群只对物体部件反应的神经元拼合表征，当时并不清楚。Tanaka 等人用刺激削减法（在麻醉猴上逐步简化刺激，找出引发反应的最小"关键特征"）得到的答案是：多数 IT 神经元对中等复杂度、构成物体部件的特征反应。

与此同时，人类成像那边出现了新的量化工具：Grill-Spector 等人用打乱范式测各皮层区对图像完整性的敏感度，通过改变被打乱块的大小和数量构造出连续的"打乱等级"。他们发现前部外侧枕区 LO 对打乱高度敏感，敏感度超过 V1–V4v；多数 LO 体素即使对粗打乱的图像也有良好激活——这暗示 LO 编码物体部件而非整物。由于有人提出人类 LO 与猕猴 IT 可能同源，一个自然的检验就是把同样的打乱操作搬到猕猴 IT 上。Vogels 此前只在 8 个对树图像选择反应的神经元上做过初步观察，缺口在于缺少一个大样本、有代表性的 IT 神经元群体数据。

研究思路

作者的总体策略是"把人类成像的参数化范式移植到行为态猕猴的单细胞记录上"。两只猕猴一边执行视觉分类任务（树 vs 非树、鱼 vs 非鱼），一边记录 IT 神经元对同一批自然图片原图及五个打乱等级的反应。背后的逻辑链是：如果神经元表征整个物体，那么哪怕最轻度的打乱——图像只被拆成 4 块重排——也应使反应大幅下降；如果神经元对更重的打乱仍然耐受，则更可能编码的是物体部件。群体中位量-效曲线。，检验同源性假设。选用行为态记录而非麻醉状态，也是为了让"分类任务中的 IT 反应"与成像研究的注意状态尽量可比。

方法

被试是两只已接受大量视觉分类训练的猕猴（rhesus monkey），记录部位经组织学验证位于上颞沟（superior temporal sulcus）下岸与沟底及下颞回，且在后中颞沟前端的更前方（即前部 IT）。任务中猴子需向不同方向做眼动报告类别：树图向右、鱼图向上、非树/非鱼图向左，记录期间正确率高于 95%。刺激是彩色图片（树、鱼及其他自然或人造物体，无面孔），平均亮度 21 cd/m²、平均大小约 7.8°×7.2°（此处 PDF 文本层有缺损），居中呈现在黑背景上，猴子注视白色光点。每个记录日先从图库随机抽 60 张图测反应，再挑 4 张（两张树/鱼、两张非树/非鱼，含反应最大的一张）做打乱测试：打乱方式是随机重排矩形图像块，块数从 2×2 到 32×32 共五个等级（即 4、16、64、256、1024 块）。4 张原图、20 张打乱版加上 16 张其他随机图片共 40 个刺激交错呈现，每图至少 4 次（中位 5 次）。对打乱图的反应无论"分类对错"一律给奖，猴子事实上把打乱图归为非树/非鱼。分析上，计数两个等长时间窗内的脉冲：一个在刺激出现前，另一个自刺激出现后 50 ms 开始（以避开眼动相关活动，窗长中位 140 ms）；后者减前者得净反应（net response）。每个神经元做三因素 ANOVA（反应窗×图片×打乱程度），并以"对最佳图像的净反应降至最大 50% 时所需的打乱块数"作为敏感度指标，另计算衡量对 60 张图反应选择性的稀疏指数（sparseness index，本样本中位数 0.20，低于同任务大样本 IT 神经元群体的 0.34，说明本样本刺激选择性更强）。

主要结果

1. 打乱显著影响 47 个 IT 神经元中 85%（40/47）的反应；其中 35/40 随打乱加重而反应下降，3/40 在中间打乱程度反应最强，2 个随打乱反而增强，7 个无显著效应（图 2）。
2. 单细胞差异很大：12/47（26%）的神经元在最低打乱等级（2×2，即 4 块）时反应即下降超过 50%，说明这部分神经元对整体构型高度敏感；但大多数神经元要重打乱才有明显效应（图 3 上）。
3. 群体水平上，对最佳图像的净反应降到最大值 50% 需要把打乱加到 64 块；在两个最高等级（256、1024 块）群体中位反应仅为最大的 10–20%；平均而言 4 块与 16 块打乱产生的反应相近（图 3 下）。
4. 稀疏指数与"50% 反应所需打乱块数"显著相关（Spearman R=0.39，n=44，p<0.01）：对原图刺激选择性越强的神经元，对打乱越敏感。
5. 记录点前后位置（Horsley-Clarke 坐标 12–24 mm）与打乱效应显著相关（R=−0.32，n=47，p<0.05）：越靠前的神经元在越轻的打乱下反应即减半。
6. 与人类成像对照：Grill-Spector 等报道 LO 在 64 块打乱时激活约为最大值的 50%，与本文单细胞群体曲线吻合得相当好。

图注解读

图 1 · 单个 IT 神经元的打乱效应示例

原文图注：FIG. 1. Effect of image scrambling on the response of an inferior temporal neuron. Top, unscrambled and scrambled versions of Tree1 and Ntree1. The actual images were in colour. The degree of scrambling increases from left to right. Bottom, net average ®ring rate to four images as function of the degree of scrambling.

读法：上半部分给出 Tree1 与 Ntree1 的原图和逐级加重的打乱版本（从左到右打乱程度递增；实际刺激为彩色），让读者直观看到"打乱"具体长什么样；下半部分横轴为打乱块数（0、4、16、64、256、1024），纵轴为净平均放电率（spikes/sec），四条曲线分别对应 Tree1、Tree2、Ntree1、Ntree2。示例神经元对最佳树图的反应在最低打乱（4 块）时即明显下降，非最佳图像被打乱后反应同样下降。这支撑主要结果第 1 条的定性描述。

图 2 · 六个神经元的归一化打乱曲线

原文图注：FIG. 2. Effect of the degree of image scrambling on the responses of six inferior temporal neurons. Net responses were normalized with respect to the maximal response for each neuron.

读法：六个神经元的净反应各自按最大反应归一化后对打乱程度作图（纵轴约 −0.2 到 1，横轴 0–1024 块），用不同符号区分反应模式：实线神经元随打乱单调下降；实心方块者在中间打乱程度反应最强；实心圆者随打乱反而增强；实心三角者基本不受打乱影响。这张图的价值在于展示神经元之间的异质性——同样的操作下有细胞"认整体"、有细胞"认部件"、还有细胞对构型无所谓，为后面按敏感度分类的群体分析铺垫，对应主要结果第 1 条。

图 3 · 群体分析：50% 阈值分布与中位量-效曲线

原文图注：FIG. 3. Effect of the degree of scrambling: population analysis. Top, distribution of the number of scrambled parts at which the neuronal responses is reduced to 50% of the maximum. U: neurons for which either the number of scrambled parts at 50% response was . 1024, the response increased with increasing degree of scrambling, or response was the strongest at intermediate degrees of scrambling. Bottom, median normalized response and quartiles of all neurons (n ˆ 47) as a function of the degree of scrambling.

读法：上图是直方图（纵轴"Number of obs."即神经元个数），统计每个神经元"反应降至最大 50% 所需打乱块数"的分布；U 类把三种无法给出有限 50% 点的神经元归在一起（50% 点超过 1024 块、反应随打乱增强、或中间程度最强），其中 12/47（26%）落在最轻的 4 块一档。下图给出全部 47 个神经元归一化反应的中位数与四分位数随打乱块数的变化：中位反应在 64 块时降到约 50%，在 256、1024 块两个最高档降到 10–20%，且 4 块与 16 块两档几乎重合。这是全文的核心定量图，支撑主要结果第 2、3 条，也是作者与人类 LO 的 fMRI 数据做数值对照（64 块约 50%）的依据。

讨论

作者把结果接回 Tanaka 的框架：当神经元的"关键特征"恰是物体整体形状时，打乱效应强，且效应大小取决于该神经元的刺激选择性（与稀疏指数的相关一致）；关键特征只是物体某部件（如虎的鼻子）的神经元要到更重打乱才受影响；对打乱完全无反应者可能编码与形状无关、打乱不改变的特征（如细纹理、颜色）。作者讨论了若干潜在混淆，并论证其不太可能单独解释结果；但空间频率及部件位置变化并未被实验性控制。：虽然打乱改变了图像的空间频率成分，但单纯的空间频率变化不太可能解释效应；打乱图中的直线边缘在最低打乱时最显眼，却并未普遍压低反应；关键部件绝对位置的改变也难以单独解释，因为前部 IT 神经元感受野很大而刺激很小，且部件随机换位既可能落进更有效位置也可能落进更无效位置，不会先验地只降不升。对与人类 LO 数据的"惊人吻合"，作者明确提醒两点限制：其一，fMRI 的打乱效应不仅要求单细胞对打乱/不打乱有差分反应，还要求群体总激活在打乱时下降，而本研究是用原图筛选反应细胞的、未直接检验后者（不过他引用一项双标记 2-脱氧葡萄糖研究，提示前部 IT 对打乱图的代谢激活确实更低）；其二，两项研究的刺激尺寸不同，而刺激尺寸与感受野大小的交互会改变"有效打乱程度"。结论部分提出，LO 可能包含多个不同视觉区，且人类梭状回附近也有形状/物体选择性激活、也有人认为该区与猕猴 IT 同源，因此确认同源关系需要两物种使用相同刺激与相同技术——猕猴 fMRI 的出现使这种比较成为可能。

一句话总结

在我看来，这篇文章的漂亮之处在于用最笨的办法（把图打碎重排）换来了一个带参数的答案：约四分之一的 IT 细胞"认整体"，大多数细胞"认部件"，群体半最大点落在 64 块。它也是把猕猴电生理与人类 fMRI 用同一条参数化刺激曲线缝合起来的早期尝试——作者自己很清醒，知道群体代谢层面那一环当时还只是间接证据。