Teadlased suudavad paremini mõista ja prognoosida seoseid erinevate ajupiirkondade vahel tänu uuele GPU-põhisele masinõppe algoritmile, mille on loonud India teadusinstituudi (IISc) teadlased.
Algoritm, mida tuntakse kui Regularized, Accelerated, Linear Fascicle Evaluation või ReAl-LiFE, on võimeline tõhusalt analüüsima inimese aju difusioonmagnetresonantstomograafia (dMRI) skaneerimisega saadud tohutuid andmemahtusid.
Meeskonna ReAL-LiFE kasutamine võimaldas neil analüüsida dMRI andmeid rohkem kui 150 korda kiiremini kui praeguste tipptehnoloogiate abil.
Kuidas aju ühenduvuse mudel töötab?
Igal sekundil süttivad aju miljonid neuronid, luues elektriimpulsse, mis liiguvad närvivõrkude (tuntud ka kui aksonitena) kaudu ühest ajuosast teise.
Aju arvutina toimimiseks on need ühendused vajalikud. Traditsioonilised meetodid ajuühenduste uurimiseks hõlmavad aga sageli invasiivsete loommudelite kasutamist.
dMRI-skaneeringud pakuvad aga mitteinvasiivset viisi inimese ajuühenduste uurimiseks.
Aju infomagistraalid on kaablid (aksonid), mis ühendavad selle erinevaid piirkondi. Veemolekulid liiguvad koos aksonikimpudega piki oma pikkust suunatud viisil, kuna need on moodustatud torudena.
Ühendus, mis on aju ulatuva kiudude võrgu üksikasjalik kaart, saab võimalikuks dMRI abil, mis võimaldab teadlastel seda liikumist jälgida.
Kahjuks pole nende ühenduste tuvastamine lihtne. Skaneerimise andmed näitavad ainult veemolekulide netovoolu igas aju asukohas.
Võtke veemolekule kui autosid. Sõiduteedest midagi teadmata on kogutav teave vaid autode suund ja kiirus igal ajahetkel ja kohas.
Neid liiklusmustreid jälgides on ülesanne võrreldav sõiduteede võrgustike järeldamisega. Tavapärased lähenemisviisid vastavad nende võrkude õigeks tuvastamiseks täpselt eeldatud dMRI signaali järeldatud ühendusest tegeliku dMRI signaaliga.
Selle optimeerimise tegemiseks lõid teadlased varem algoritmi nimega LiFE (Linear Fascicle Evaluation), kuid selle üheks puuduseks oli see, et see töötas tavapärastel keskprotsessoritel (CPU), mis muutis arvutamise aeganõudvaks.
Päris elu on revolutsiooniline mudel, mille lõid India teadlased
Algselt lõid teadlased selle kohandamise tegemiseks algoritmi nimega LiFE (Linear Fascial Evaluation), kuid selle üks puudusi oli see, et see sõltus tavalistest keskprotsessoritest (CPU), mille arvutamiseks kulus aega.
Sridharani meeskond täiustas uusimas uuringus oma tehnikat, et minimeerida mitmel viisil nõutavat töötlemistööd, sealhulgas eemaldada üleliigsed ühendused ja oluliselt parandada LiFE jõudlust.
Teadlased täiustasid seda tehnoloogiat veelgi, kavandades selle töötama graafikaprotsessoritel (GPU), mis on spetsiaalsed elektrikiibid, mida kasutatakse tipptasemel mänguarvutites.
See võimaldas neil andmeid uurida 100–150 korda kiiremini kui varasemad lähenemisviisid. Ttema uuendatud algoritm ReAl-LiFE võib samuti ette näha, kuidas katseisik käitub või teatud tööd teeb.
Teisisõnu, kasutades algoritmi prognoositud seoste tugevusi iga indiviidi jaoks, suutis meeskond selgitada käitumuslike ja kognitiivsete testide skooride erinevusi 200 inimesest koosneva valimi hulgas.
Sellisel analüüsil võib olla ka meditsiinilist kasutust. Suuremahuline andmetöötlus muutub suurandmete neuroteaduse rakenduste jaoks üha olulisemaks, eriti tervisliku ajufunktsiooni ja ajuhäirete mõistmisel.
Järeldus
Kokkuvõtteks võiks ReAl-LiFE ette näha ka seda, kuidas inimesest katsealune käitub või teatud tööd teeb.
Teisisõnu, kasutades algoritmi prognoositud seoste tugevusi iga indiviidi jaoks, suutis meeskond selgitada käitumuslike ja kognitiivsete testide skooride erinevusi 200 inimesest koosneva valimi hulgas.
Sellisel analüüsil võib olla ka meditsiinilist kasutust. Suuremahuline andmetöötlus muutub suurandmete neuroteaduse rakenduste jaoks üha olulisemaks, eriti tervisliku ajufunktsiooni ja ajuhäirete mõistmisel.
Jäta vastus