Inhaltsverzeichnis[Ausblenden][Zeigen]
Wissenschaftler können dank eines neuen GPU-basierten maschinellen Lernalgorithmus, der von Forschern des Indian Institute of Science (IISc) entwickelt wurde, Verbindungen zwischen verschiedenen Gehirnbereichen besser verstehen und vorhersagen.
Der Algorithmus, bekannt als Regularized, Accelerated, Linear Fascicle Evaluation oder ReAl-LiFE, ist in der Lage, die riesigen Datenmengen, die durch Diffusions-Magnetresonanztomographie (dMRI)-Scans des menschlichen Gehirns erzeugt werden, effizient zu analysieren.
Die Verwendung von ReAL-LiFE durch das Team ermöglichte es ihnen, dMRI-Daten mehr als 150-mal schneller zu analysieren, als dies mit aktuellen hochmodernen Techniken möglich wäre.
Wie funktioniert das Modell der Gehirnkonnektivität?
Jede Sekunde feuern die Millionen von Neuronen des Gehirns und erzeugen elektrische Impulse, die sich über neuronale Netzwerke – auch „Axone“ genannt – von einem Teil des Gehirns zum anderen bewegen.
Damit das Gehirn als Computer funktionieren kann, sind diese Verbindungen notwendig. Herkömmliche Methoden zur Untersuchung von Gehirnverbindungen beinhalten jedoch häufig die Verwendung invasiver Tiermodelle.
dMRT-Scans bieten jedoch eine nicht-invasive Möglichkeit, menschliche Gehirnverbindungen zu untersuchen.
Die Informationsautobahnen des Gehirns sind die Kabel (Axone), die seine verschiedenen Regionen verbinden. Wassermoleküle wandern zusammen mit Axonbündeln entlang ihrer Länge in gerichteter Weise, da sie wie Röhren geformt sind.
Das Connectom, das eine detaillierte Karte des Netzwerks von Fasern ist, die das Gehirn überspannen, kann durch dMRI ermöglicht werden, was es Forschern ermöglicht, diese Bewegung zu verfolgen.
Leider ist es nicht einfach, diese Connectome zu identifizieren. Die Daten der Scans zeigen nur den Nettofluss von Wassermolekülen an jeder Stelle im Gehirn.
Betrachten Sie die Wassermoleküle als Autos. Ohne etwas über die Straßen zu wissen, sind die einzigen gesammelten Informationen die Richtung und Geschwindigkeit der Autos zu jedem Zeitpunkt und an jedem Ort.
Durch die Überwachung dieser Verkehrsmuster ist die Aufgabe vergleichbar mit der Ableitung von Straßennetzen. Herkömmliche Ansätze stimmen das erwartete dMRI-Signal aus dem abgeleiteten Konnektom eng mit dem tatsächlichen dMRI-Signal ab, um diese Netzwerke korrekt zu identifizieren.
Um diese Optimierung durchzuführen, haben Wissenschaftler früher einen Algorithmus namens LiFE (Linear Fascicle Evaluation) entwickelt, aber einer seiner Nachteile war, dass er auf herkömmlichen Zentraleinheiten (CPUs) lief, was die Berechnung zeitaufwändig machte.
Wahres Leben ist ein revolutionäres Modell, das von indischen Forschern entwickelt wurde
Ursprünglich haben die Forscher einen Algorithmus namens LiFE (Linear Fascial Evaluation) entwickelt, um diese Anpassung vorzunehmen, aber einer seiner Nachteile war, dass er von gewöhnlichen Zentraleinheiten (CPUs) abhängig war, deren Berechnung Zeit in Anspruch nahm.
Das Team von Sridharan verbesserte seine Technik in der neuesten Studie, um den erforderlichen Verarbeitungsaufwand auf verschiedene Weise zu minimieren, einschließlich des Entfernens redundanter Verbindungen und einer erheblichen Verbesserung der Leistung von LiFE.
Die Technologie wurde von den Forschern weiter verfeinert, indem sie so konstruiert wurde, dass sie auf Grafikprozessoren (GPUs) funktioniert, bei denen es sich um spezialisierte elektrische Chips handelt, die in High-End-Gaming-PCs verwendet werden.
Dadurch konnten sie Daten 100- bis 150-mal schneller untersuchen als bei früheren Ansätzen. TSein aktualisierter Algorithmus ReAl-LiFE könnte auch vorhersehen, wie sich eine menschliche Testperson verhalten oder eine bestimmte Arbeit erledigen wird.
Mit anderen Worten, das Team konnte mithilfe der prognostizierten Verbindungsstärken des Algorithmus für jede Person Abweichungen in Verhaltens- und kognitiven Testergebnissen bei einer Stichprobe von 200 Personen erklären.
Eine solche Analyse kann auch medizinischen Nutzen haben.“ Die groß angelegte Datenverarbeitung wird für Big-Data-Anwendungen in den Neurowissenschaften immer wichtiger, insbesondere für das Verständnis gesunder Gehirnfunktionen und Gehirnerkrankungen.
Zusammenfassung
Zusammenfassend lässt sich sagen, dass ReAl-LiFE auch vorhersehen könnte, wie sich eine menschliche Testperson verhalten oder eine bestimmte Aufgabe erledigen wird.
Mit anderen Worten, das Team konnte mithilfe der prognostizierten Verbindungsstärken des Algorithmus für jede Person Abweichungen in Verhaltens- und kognitiven Testergebnissen bei einer Stichprobe von 200 Personen erklären.
Eine solche Analyse kann auch medizinischen Nutzen haben.“ Die groß angelegte Datenverarbeitung wird für Big-Data-Anwendungen in den Neurowissenschaften immer wichtiger, insbesondere für das Verständnis gesunder Gehirnfunktionen und Gehirnerkrankungen.
Hinterlassen Sie uns einen Kommentar