动态分类规则重塑人类视觉皮层表征：决策边界对神经表征的适应性调控

编辑推荐：本研究通过fMRI和多变量分析技术，揭示了人类视觉皮层(V1-V3)在动态分类任务中会依据当前决策边界(Linear-1/Linear-2/Nonlinear)自适应调整形状表征，尤其在边界附近刺激的神经区分度增强最显著，且与行为表现正相关。该发现挑战了感觉皮层仅处理基础感知的传统观点，为理解高级认知与早期感知的交互提供了新证据。

　　

在认知神经科学领域，一个长期存在的谜题是：当我们面对同一物体需要根据不同情境做出不同分类时（比如胡萝卜既可归类为蔬菜也可归为橙色物品），大脑如何实现这种灵活的认知转换？传统观点认为这种"动态分类"主要依赖前额叶等高级脑区，而视觉皮层仅负责基础感知处理。然而近年动物实验发现感觉皮层可能也参与决策过程，但人类视觉皮层是否以及如何支持这种动态分类仍不清楚。

来自加州大学圣迭戈分校的Margaret M. Henderson^? T. Serences^?和Nuttida Rungratsameetaweemana团队在《Nature Communications》发表的研究，通过精巧的实验设计给出了答案。研究人员让10名参与者在fMRI扫描仪中完成三维形状分类任务，这些形状构成二维参数化空间，要求被试根据三种不同规则（两个线性边界Linear-1/Linear-2和一个非线性边界Nonlinear）进行动态分类。采用多变量模式分析(MVPA)解码视网膜拓扑定义的视觉区(V1-V3等)的神经表征，发现早期视觉区会依据当前任务需求增强相关决策边界的表征区分度，这种效应在边界附近刺激中最显著，且与行为准确率正相关。

关键技术方法包括：1）二维形状空间刺激设计（基于径向频率成分RFC）；2）3T fMRI采集（GE MR750和Siemens Prisma扫描仪）结合多波段EPI序列；3）基于GIST和SimCLR模型的图像相似性分析；4）留一法交叉验证的逻辑回归分类器（16-way多分类和三种二分类）；5）混淆矩阵和分类器置信度分析；6）基于引导抽样的行为-神经关联分析。

"动态形状分类任务"部分显示，行为数据验证了形状空间的有效性：基于GIST特征的PCA呈现预期二维结构，Linear-2边界的图像可分性最高（图1D）。被试在Linear-2任务表现最佳（准确率86%），非线性任务最难（80%），且所有任务中"困难"试次（近边界刺激）的表现显著差于"简单"试次（图1E-F）。

"形状表征的二分类分析"揭示：早期视觉区（尤其V2）分类准确率最高（图2）。关键发现是当分析"近边界"试次时，Linear-2分类器在Linear-2任务中的准确率显著高于Linear-1任务（V2：p=0.009），而Linear-1分类器无此效应（图3B）。这种任务与边界的交互效应在"远边界"试次中消失，说明视觉皮层的适应性调制具有位置特异性。

"形状表征的多项分类分析"通过16-way分类器的混淆矩阵发现：V1的表征保持形状空间距离关系（相邻形状更易混淆，图5A-B）。重要的是，LO1区的混淆矩阵在Linear-2任务中与Linear-2模板的相似性显著高于Linear-1任务（p=0.007），表明高级视觉区表征会重组以匹配当前任务结构（图5D）。

"分类器置信度"分析提供了连续度量：Linear-2置信度在Linear-2任务的近边界试次中显著更高=0.005），且该效应在早期视觉区最显著（图7B）。而非线性边界未显示任务相关调制，可能反映对非线性规则的编码机制不同。

"神经表征与行为表现的关联"显示：正确试次比错误试次在Linear-2和非线性任务中表现出更高的边界区分度（V1区p=0.007），表明神经表征质量直接影响行为输出（图8）。这种关联在早期视觉区最显著，支持其直接参与决策过程的观点。

讨论部分指出三大理论突破：1）早期视觉区（V1-V3）而非高级区域表现出最强的任务相关调制，可能因其精细的视网膜拓扑映射适合编码本研究的固定位置形状；2）效应集中在边界附近刺激，符合"特征选择性注意"机制通过增强诊断性特征维度起作用；3）Linear-2边界效应更强可能源于其更高的固有图像可分性。这些发现扩展了特征注意理论，表明视觉皮层能基于抽象任务目标（而不仅是简单特征维度）优化表征。

该研究颠覆了传统的感觉-决策二分法，证明人类视觉皮层会像"智能滤镜"般动态重组信息以适应行为需求。未来研究可探讨这种可塑性是否存在于更复杂的自然场景分类中，以及前额叶如何指导这种视觉表征的重组。方法论上创新的多变量分析框架为研究高级认知与感知的交互提供了新范式。