Indholdsfortegnelse[Skjule][At vise]
Forskere kan være bedre i stand til at forstå og forudsige forbindelser mellem forskellige hjerneområder takket være en ny GPU-baseret maskinlæringsalgoritme skabt af forskere ved Indian Institute of Science (IISc).
Algoritmen, kendt som Regularized, Accelerated, Linear Fascicle Evaluation eller ReAl-LiFE, er i stand til effektivt at analysere de enorme mængder data, der produceres af diffusionsmagnetisk resonansbilleddannelse (dMRI)-scanninger af den menneskelige hjerne.
Holdets brug af ReAL-LiFE gjorde det muligt for dem at analysere dMRI-data mere end 150 gange hurtigere, end de kunne have med nuværende avancerede teknikker.
Hvordan fungerer hjerneforbindelsesmodellen?
Hvert sekund affyrer hjernens millioner af neuroner og skaber elektriske impulser, der bevæger sig via neurale netværk - også kendt som "axoner" - fra en del af hjernen til en anden.
For at hjernen kan fungere som en computer, er disse forbindelser nødvendige. Men traditionelle metoder til at studere hjerneforbindelser involverer ofte brug af invasive dyremodeller.
Imidlertid tilbyder dMRI-scanninger en ikke-invasiv måde at undersøge menneskelige hjerneforbindelser på.
Hjernens informationsmotorveje er de kabler (axoner), der forbinder dens forskellige regioner. Vandmolekyler rejser sammen med axonbundter langs deres længde på en rettet måde, da de er dannet som rør.
Connectomet, som er et detaljeret kort over netværket af fibre, der spænder over hjernen, kan gøres muligt ved dMRI, som gør det muligt for forskere at følge denne bevægelse.
Desværre er det ikke nemt at identificere disse forbindelser. Kun nettostrømmen af vandmolekyler på hvert sted i hjernen vises af scanningernes data.
Betragt vandmolekylerne som biler. Uden at vide noget om vejbanerne, er den eneste information, der indsamles, bilernes retning og hastighed på hvert tidspunkt og sted.
Ved at overvåge disse trafikmønstre kan opgaven sammenlignes med at udlede netværk af vejbaner. Konventionelle tilgange matcher nøje det forventede dMRI-signal fra det udledte forbindelsespunkt med det faktiske dMRI-signal for at kunne identificere disse netværk korrekt.
For at udføre denne optimering oprettede forskere tidligere en algoritme kaldet LiFE (Linear Fascicle Evaluation), men en af dens ulemper var, at den opererede på konventionelle Central Processing Units (CPU'er), hvilket gjorde beregningen tidskrævende.
I virkeligheden er en revolutionerende model, der blev skabt af indiske forskere
Oprindeligt oprettede forskere en algoritme kaldet LiFE (Linear Fascial Evaluation) til at foretage denne justering, men en af dens ulemper var, at den afhang af almindelige Central Processing Units (CPU'er), som tog tid at beregne.
Sridharans team forbedrede deres teknik i den nyeste undersøgelse for at minimere det nødvendige behandlingsarbejde på en række forskellige måder, herunder fjernelse af overflødige forbindelser og markant forbedring af LiFEs ydeevne.
Teknologien blev forfinet yderligere af forskerne ved at konstruere den til at fungere på Graphics Processing Units (GPU'er), som er specialiserede elektriske chips, der bruges i avancerede gaming-pc'er.
Dette gjorde det muligt for dem at undersøge data 100-150 gange hurtigere end tidligere tilgange. Thans opdaterede algoritme, ReAl-LiFE, kunne også forudse, hvordan en menneskelig testperson vil handle eller udføre et bestemt arbejde.
Med andre ord var teamet i stand til at forklare varianser i adfærdsmæssige og kognitive testresultater blandt en stikprøve på 200 personer ved at bruge algoritmens forventede linkstyrker for hver enkelt person.
En sådan analyse kan også have medicinske formål." Storskala databehandling bliver stadig vigtigere for big-data neurovidenskabelige applikationer, især for at forstå sund hjernefunktion og hjernesygdomme.
Konklusion
Som konklusion kunne ReAl-LiFE også forudse, hvordan en menneskelig testperson vil agere eller udføre et bestemt arbejde.
Med andre ord var teamet i stand til at forklare varianser i adfærdsmæssige og kognitive testresultater blandt en stikprøve på 200 personer ved at bruge algoritmens forventede linkstyrker for hver enkelt person.
En sådan analyse kan også have medicinske formål." Storskala databehandling bliver stadig vigtigere for big-data neurovidenskabelige applikationer, især for at forstå sund hjernefunktion og hjernesygdomme.
Giv en kommentar