Taula de continguts[Amaga][Espectacle]
Els científics poden ser més capaços de comprendre i predir les connexions entre diverses àrees cerebrals gràcies a un nou algorisme d'aprenentatge automàtic basat en GPU creat per investigadors de l'Institut Indi de Ciència (IISc).
L'algoritme, conegut com a Avaluació de fascicles regulars, accelerats i lineals o ReAl-LiFE, és capaç d'analitzar de manera eficient els volums massius de dades produïts per les exploracions de ressonància magnètica de difusió (dMRI) del cervell humà.
L'ús de ReAL-LiFE per part de l'equip els va permetre analitzar les dades dMRI més de 150 vegades més ràpid del que podrien tenir amb les tècniques actuals d'última generació.
Com funciona el model de connectivitat cerebral?
Cada segon, els milions de neurones del cervell s'encenen, creant polsos elèctrics que es mouen a través de xarxes neuronals, també conegudes com "axons", d'una part del cervell a una altra.
Perquè el cervell funcioni com un ordinador, aquestes connexions són necessàries. Tanmateix, els mètodes tradicionals per estudiar les connexions cerebrals sovint impliquen l'ús de models animals invasius.
Tanmateix, les exploracions dMRI ofereixen una manera no invasiva d'examinar les connexions del cervell humà.
Les autopistes de la informació del cervell són els cables (axons) que uneixen les seves diferents regions. Les molècules d'aigua viatgen juntament amb els paquets d'axons al llarg de la seva longitud de manera dirigida, ja que es formen com a tubs.
El connectoma, que és un mapa detallat de la xarxa de fibres que abasta el cervell, es pot fer possible mitjançant dMRI, que permet als investigadors seguir aquest moviment.
Malauradament, identificar aquests connectomes no és senzill. Les dades de les exploracions només mostren el flux net de molècules d'aigua a cada lloc del cervell.
Considereu les molècules d'aigua com a automòbils. Sense saber res de les carreteres, l'única informació recollida és la direcció i la velocitat dels cotxes en cada moment i lloc.
En supervisar aquests patrons de trànsit, la tasca és comparable a inferir les xarxes de carreteres. Els enfocaments convencionals coincideixen estretament amb el senyal dMRI esperat del connectoma inferit amb el senyal dMRI real per identificar correctament aquestes xarxes.
Per fer aquesta optimització, els científics van crear anteriorment un algorisme anomenat LiFE (Linear Fascicle Evaluation), però un dels seus inconvenients era que funcionava amb unitats centrals de processament (CPU) convencionals, cosa que feia que el càlcul consumés temps.
VIDA REAL és un model revolucionari creat per investigadors indis
Inicialment, els investigadors van crear un algorisme anomenat LiFE (Linear Fascial Evaluation) per fer aquest ajust, però un dels seus desavantatges era que depenia d'unitats centrals de processament (CPU) ordinàries, que trigaven temps a calcular-se.
L'equip de Sridharan va millorar la seva tècnica en l'estudi més recent per minimitzar el treball de processament requerit de diverses maneres, inclosa l'eliminació de connexions redundants i la millora significativa del rendiment de LiFE.
La tecnologia va ser perfeccionada encara més pels investigadors dissenyant-la per treballar en unitats de processament gràfic (GPU), que són xips elèctrics especialitzats utilitzats en ordinadors de jocs de gamma alta.
Això els va permetre examinar les dades 100-150 vegades més ràpid que els enfocaments anteriors. Tel seu algorisme actualitzat, ReAl-LiFE, també podria anticipar com actuarà un subjecte de prova humà o farà una determinada feina.
En altres paraules, utilitzant les forces d'enllaç projectades de l'algoritme per a cada individu, l'equip va poder explicar les variacions en les puntuacions de les proves de comportament i cognitives entre una mostra de 200 individus.
Aquesta anàlisi també pot tenir usos medicinals". El processament de dades a gran escala és cada cop més important per a les aplicacions de neurociència de grans dades, especialment per entendre la funció cerebral saludable i els trastorns cerebrals.
Conclusió
En conclusió, ReAl-LiFE també podria anticipar com actuarà un subjecte de prova humà o farà una determinada feina.
En altres paraules, utilitzant les forces d'enllaç projectades de l'algoritme per a cada individu, l'equip va poder explicar les variacions en les puntuacions de les proves de comportament i cognitives entre una mostra de 200 individus.
Aquesta anàlisi també pot tenir usos medicinals". El processament de dades a gran escala és cada cop més important per a les aplicacions de neurociència de grans dades, especialment per entendre la funció cerebral saludable i els trastorns cerebrals.
Deixa un comentari