Índice del contenido[Esconder][Espectáculo]
Los científicos pueden comprender y pronosticar mejor las conexiones entre varias áreas del cerebro gracias a un nuevo algoritmo de aprendizaje automático basado en GPU creado por investigadores del Instituto Indio de Ciencias (IISc).
El algoritmo, conocido como Regularized, Accelerated, Linear Fascicle Evaluation o ReAl-LiFE, es capaz de analizar de manera eficiente los volúmenes masivos de datos producidos por imágenes de resonancia magnética de difusión (dMRI) del cerebro humano.
El uso de ReAL-LiFE por parte del equipo les permitió analizar los datos de dMRI más de 150 veces más rápido de lo que podrían hacerlo con las técnicas actuales de vanguardia.
¿Cómo funciona el modelo de conectividad cerebral?
Cada segundo, millones de neuronas del cerebro se disparan, creando pulsos eléctricos que se mueven a través de redes neuronales, también conocidas como "axones", de una parte del cerebro a otra.
Para que el cerebro funcione como una computadora, estas conexiones son necesarias. Sin embargo, los métodos tradicionales para estudiar las conexiones cerebrales a menudo implican el uso de modelos animales invasivos.
Sin embargo, las exploraciones dMRI ofrecen una forma no invasiva de examinar las conexiones del cerebro humano.
Las autopistas de la información del cerebro son los cables (axones) que unen sus diversas regiones. Las moléculas de agua viajan junto con los haces de axones a lo largo de su longitud de manera dirigida, ya que se forman como tubos.
El conectoma, que es un mapa detallado de la red de fibras que se extienden por el cerebro, puede ser posible gracias a la dMRI, que permite a los investigadores seguir este movimiento.
Desafortunadamente, identificar estos conectomas no es simple. Los datos de los escaneos solo muestran el flujo neto de moléculas de agua en cada ubicación del cerebro.
Considere las moléculas de agua como automóviles. Sin saber nada de las calzadas, la única información que se recoge es la dirección y velocidad de los coches en cada momento y lugar.
Al monitorear estos patrones de tráfico, la tarea es comparable a inferir las redes de carreteras. Los enfoques convencionales hacen coincidir de cerca la señal de dMRI esperada del conectoma inferido con la señal de dMRI real para identificar correctamente estas redes.
Para hacer esta optimización, los científicos crearon anteriormente un algoritmo llamado LiFE (Evaluación de Fascículo Lineal), pero uno de sus inconvenientes era que operaba en Unidades Centrales de Procesamiento (CPU) convencionales, lo que hacía que el cálculo requiriera mucho tiempo.
Vida real es un modelo revolucionario que fue creado por investigadores indios
Inicialmente, los investigadores crearon un algoritmo llamado LiFE (Evaluación Fascial Lineal) para hacer este ajuste, pero una de sus desventajas era que dependía de las Unidades Centrales de Procesamiento (CPU) ordinarias, que tardaban en calcularse.
El equipo de Sridharan mejoró su técnica en el estudio más reciente para minimizar el trabajo de procesamiento requerido de varias maneras, incluida la eliminación de conexiones redundantes y la mejora significativa del rendimiento de LiFE.
Los investigadores refinaron aún más la tecnología al diseñarla para que funcione en unidades de procesamiento de gráficos (GPU), que son chips eléctricos especializados que se utilizan en PC para juegos de gama alta.
Esto les permitió examinar los datos entre 100 y 150 veces más rápido que los enfoques anteriores. Tsu algoritmo actualizado, ReAl-LiFE, también podría anticipar cómo actuará o hará un trabajo determinado un sujeto de prueba humano.
En otras palabras, utilizando las fortalezas de enlace proyectadas del algoritmo para cada individuo, el equipo pudo explicar las variaciones en los puntajes de las pruebas cognitivas y de comportamiento entre una muestra de 200 individuos.
Tal análisis también puede tener usos medicinales”. El procesamiento de datos a gran escala se está volviendo cada vez más importante para las aplicaciones de neurociencia de big data, particularmente para comprender la función cerebral saludable y los trastornos cerebrales.
Conclusión
En conclusión, ReAl-LiFE también podría anticipar cómo actuará o realizará un determinado trabajo un sujeto de prueba humano.
En otras palabras, utilizando las fortalezas de enlace proyectadas del algoritmo para cada individuo, el equipo pudo explicar las variaciones en los puntajes de las pruebas cognitivas y de comportamiento entre una muestra de 200 individuos.
Tal análisis también puede tener usos medicinales”. El procesamiento de datos a gran escala se está volviendo cada vez más importante para las aplicaciones de neurociencia de big data, particularmente para comprender la función cerebral saludable y los trastornos cerebrales.
Deje un comentario