Testing the theory of visually driven schizophrenia using a computational model

Abstract

V této práci testujeme hypotézu o vizuálním původu schizofrenie za použití hlubo- kých neuronových sítí. Architektury vyvinuté v této práci dokáží modelovat dynamiku fluktuujíce velikosti receptivních polí ve vizuálním systému, jev, který je klíčový pro zkou- manou hypotézu. Je provedena řada experimentů se syntetickými daty primární zrakové oblasti kočky, s cílem kvantitativně a kvalitativně posoudit, jak se zhoršuje schopnost dekodéru rekonstruovat vizuální podněty z neuronální aktivity ve "schizofrenním" stavu oproti "zdravému". Taktéž identifikujeme nové faktory, které hrají důležitou roli v rámci hypotézy, například míru fluktuace velikosti receptivních polí a rozlišení rekonstruova- ných vizuálních podnětů. Zjištěné výsledky demonstrují potenciál výpočetních modelů při ověřování medicínských hypotéz a poskytují základ pro budoucí výzkum zaměřený na potenciální remediace schizofrenie skrze cílenou manipulaci vizuální scény.

This thesis computationally tests the hypothesis on the visual origin of schizophrenia by employing deep neural networks (DNNs). The DNN architectures developed in this thesis are capable of modelling the dynamics associated with fluctuating receptive field sizes in the visual system, a phenomenon central to the this hypothesis. Experiments are conducted on a synthetic dataset of cat primary visual cortex to quantitively and quali- tatively compare the decoder's performance in reconstructing visual stimuli from neural activity between "schizophrenic" and "healthy" conditions. Additionally, we identify a set of new factors that prove instrumental to the hypothesis, such as the scale of receptive field size fluctuations and the resolution of the reconstructed stimuli. These findings demonstrate the potential of computational models to validate medical hypotheses and provides a foundation for future research into potential approaches for schizophrenia re- mediation through targeted manipulation of visual scene attributes.