Οι επιστήμονες μπορούν να κατανοήσουν καλύτερα και να προβλέψουν τις συνδέσεις μεταξύ διαφόρων περιοχών του εγκεφάλου χάρη σε έναν νέο αλγόριθμο μηχανικής μάθησης που βασίζεται σε GPU που δημιουργήθηκε από ερευνητές στο Ινδικό Ινστιτούτο Επιστήμης (IISc).
Ο αλγόριθμος, γνωστός ως Regularized, Accelerated, Linear Fascicle Evaluation ή ReAl-LiFE, είναι ικανός να αναλύει αποτελεσματικά τους τεράστιους όγκους δεδομένων που παράγονται από σαρώσεις μαγνητικής τομογραφίας διάχυσης (dMRI) του ανθρώπινου εγκεφάλου.
Η χρήση του ReAL-LiFE από την ομάδα τους επέτρεψε να αναλύσουν δεδομένα dMRI περισσότερες από 150 φορές πιο γρήγορα από ό,τι θα μπορούσαν να κάνουν με τις τρέχουσες τεχνικές αιχμής.
Πώς λειτουργεί το μοντέλο συνδεσιμότητας του εγκεφάλου;
Κάθε δευτερόλεπτο, εκατομμύρια νευρώνες του εγκεφάλου πυροδοτούνται, δημιουργώντας ηλεκτρικούς παλμούς που κινούνται μέσω νευρωνικών δικτύων —γνωστά και ως «άξονες»—από το ένα μέρος του εγκεφάλου στο άλλο.
Για να λειτουργήσει ο εγκέφαλος ως υπολογιστής, αυτές οι συνδέσεις είναι απαραίτητες. Ωστόσο, οι παραδοσιακές μέθοδοι για τη μελέτη των εγκεφαλικών συνδέσεων συχνά περιλαμβάνουν τη χρήση επεμβατικών ζωικών μοντέλων.
Ωστόσο, οι σαρώσεις dMRI προσφέρουν έναν μη επεμβατικό τρόπο εξέτασης των συνδέσεων του ανθρώπινου εγκεφάλου.
Οι λεωφόροι πληροφοριών του εγκεφάλου είναι τα καλώδια (άξονες) που συνδέουν τις διάφορες περιοχές του. Τα μόρια του νερού ταξιδεύουν μαζί με δέσμες άξονα κατά μήκος τους με κατευθυνόμενο τρόπο, αφού σχηματίζονται σαν σωλήνες.
Το connectome, το οποίο είναι ένας λεπτομερής χάρτης του δικτύου των ινών που εκτείνονται στον εγκέφαλο, μπορεί να γίνει δυνατό με dMRI, το οποίο επιτρέπει στους ερευνητές να παρακολουθήσουν αυτήν την κίνηση.
Δυστυχώς, η αναγνώριση αυτών των συνδέσμων δεν είναι απλή. Μόνο η καθαρή ροή των μορίων του νερού σε κάθε θέση στον εγκέφαλο φαίνεται από τα δεδομένα των σαρώσεων.
Θεωρήστε τα μόρια του νερού σαν αυτοκίνητα. Χωρίς να γνωρίζουμε τίποτα για τους δρόμους, οι μόνες πληροφορίες που συλλέγονται είναι η κατεύθυνση και η ταχύτητα των αυτοκινήτων σε κάθε σημείο του χρόνου και του τόπου.
Με την παρακολούθηση αυτών των μοτίβων κυκλοφορίας, η εργασία είναι συγκρίσιμη με την εξαγωγή συμπερασμάτων των δικτύων των δρόμων. Οι συμβατικές προσεγγίσεις ταιριάζουν στενά με το αναμενόμενο σήμα dMRI από το συναγόμενο σύνδεσμο με το πραγματικό σήμα dMRI προκειμένου να εντοπιστούν σωστά αυτά τα δίκτυα.
Για να γίνει αυτή η βελτιστοποίηση, οι επιστήμονες δημιούργησαν νωρίτερα έναν αλγόριθμο που ονομάζεται LiFE (Linear Fascicle Evaluation), αλλά ένα από τα μειονεκτήματά του ήταν ότι λειτουργούσε σε συμβατικές Κεντρικές Μονάδες Επεξεργασίας (CPU), οι οποίες έκαναν τον υπολογισμό χρονοβόρο.
Πραγματική ζωή είναι ένα επαναστατικό μοντέλο που δημιουργήθηκε από Ινδούς ερευνητές
Αρχικά, οι ερευνητές δημιούργησαν έναν αλγόριθμο που ονομάζεται LiFE (Γραμμική Αξιολόγηση Fascial) για να γίνει αυτή η προσαρμογή, αλλά ένα από τα μειονεκτήματά του ήταν ότι εξαρτιόταν από συνηθισμένες Κεντρικές Μονάδες Επεξεργασίας (CPU), οι οποίες χρειάζονταν χρόνο για να υπολογιστούν.
Η ομάδα του Sridharan βελτίωσε την τεχνική της στην πιο πρόσφατη μελέτη για να ελαχιστοποιήσει την εργασία επεξεργασίας που απαιτείται με διάφορους τρόπους, συμπεριλαμβανομένης της κατάργησης των περιττών συνδέσεων και της σημαντικής βελτίωσης της απόδοσης του LiFE.
Η τεχνολογία βελτιώθηκε περαιτέρω από τους ερευνητές, κατασκευάζοντάς την ώστε να λειτουργεί σε Μονάδες Επεξεργασίας Γραφικών (GPU), οι οποίες είναι εξειδικευμένα ηλεκτρικά τσιπ που χρησιμοποιούνται σε υπολογιστές παιχνιδιών υψηλής τεχνολογίας.
Αυτό τους επέτρεψε να εξετάσουν δεδομένα 100-150 φορές πιο γρήγορα από τις προηγούμενες προσεγγίσεις. ΤΟ ενημερωμένος αλγόριθμός του, ReAl-LiFE, θα μπορούσε επίσης να προβλέψει πώς θα ενεργήσει ή θα κάνει μια συγκεκριμένη δουλειά ένα ανθρώπινο υποκείμενο.
Με άλλα λόγια, χρησιμοποιώντας τα προβλεπόμενα πλεονεκτήματα των συνδέσμων του αλγόριθμου για κάθε άτομο, η ομάδα μπόρεσε να εξηγήσει τις αποκλίσεις στις βαθμολογίες συμπεριφορικών και γνωστικών τεστ μεταξύ ενός δείγματος 200 ατόμων.
Μια τέτοια ανάλυση μπορεί επίσης να έχει ιατρικές χρήσεις». Η μεγάλης κλίμακας επεξεργασία δεδομένων γίνεται ολοένα και πιο σημαντική για εφαρμογές νευροεπιστήμης μεγάλων δεδομένων, ιδιαίτερα στην κατανόηση της υγιούς λειτουργίας του εγκεφάλου και των εγκεφαλικών διαταραχών.
Συμπέρασμα
Συμπερασματικά, το ReAl-LiFE θα μπορούσε επίσης να προβλέψει πώς ένα ανθρώπινο υποκείμενο δοκιμής θα ενεργήσει ή θα κάνει μια συγκεκριμένη δουλειά.
Με άλλα λόγια, χρησιμοποιώντας τα προβλεπόμενα πλεονεκτήματα των συνδέσμων του αλγόριθμου για κάθε άτομο, η ομάδα μπόρεσε να εξηγήσει τις αποκλίσεις στις βαθμολογίες συμπεριφορικών και γνωστικών τεστ μεταξύ ενός δείγματος 200 ατόμων.
Μια τέτοια ανάλυση μπορεί επίσης να έχει ιατρικές χρήσεις». Η μεγάλης κλίμακας επεξεργασία δεδομένων γίνεται ολοένα και πιο σημαντική για εφαρμογές νευροεπιστήμης μεγάλων δεδομένων, ιδιαίτερα στην κατανόηση της υγιούς λειτουργίας του εγκεφάλου και των εγκεφαλικών διαταραχών.
Αφήστε μια απάντηση