Sisällysluettelo[Piilottaa][Näytä]
Intian tiedeinstituutin (IISc) tutkijoiden luoman uuden GPU-pohjaisen koneoppimisalgoritmin ansiosta tiedemiehet voivat paremmin ymmärtää ja ennustaa yhteyksiä eri aivoalueiden välillä.
Algoritmi, joka tunnetaan nimellä Regularized, Accelerated, Linear Fascicle Evaluation tai ReAl-LiFE, pystyy analysoimaan tehokkaasti valtavia tietomääriä, jotka on tuotettu diffuusiomagneettisella resonanssikuvauksella (dMRI) ihmisaivoista.
Ryhmän ReAL-LiFE:n ansiosta he pystyivät analysoimaan dMRI-tietoja yli 150 kertaa nopeammin kuin nykyisillä huipputekniikalla.
Miten aivojen yhteysmalli toimii?
Joka sekunti aivojen miljoonat neuronit syttyvät luoden sähköpulsseja, jotka liikkuvat hermoverkkojen kautta – tunnetaan myös "aksoneina" – aivojen yhdestä osasta toiseen.
Nämä yhteydet ovat välttämättömiä, jotta aivot toimisivat tietokoneena. Perinteisissä menetelmissä aivoyhteyksien tutkimiseksi käytetään kuitenkin usein invasiivisia eläinmalleja.
dMRI-skannaukset tarjoavat kuitenkin ei-invasiivisen tavan tutkia ihmisen aivojen yhteyksiä.
Aivojen tietoväylät ovat kaapelit (aksonit), jotka yhdistävät sen eri alueita. Vesimolekyylit kulkevat aksonikimppujen mukana pitkin pituuttaan suunnatulla tavalla, koska ne muodostuvat putkiksi.
Connectome, joka on yksityiskohtainen kartta aivojen kuituverkostosta, voidaan tehdä mahdolliseksi dMRI:llä, jonka avulla tutkijat voivat seurata tätä liikettä.
Valitettavasti näiden yhteyksien tunnistaminen ei ole yksinkertaista. Vain vesimolekyylien nettovirtaus kussakin aivojen kohdassa näkyy skannaustiedoissa.
Ajattele vesimolekyylejä autoina. Tietämättä mitään ajoväylistä, ainoa kerätty tieto on autojen suunta ja nopeus kussakin ajankohtana ja paikassa.
Näitä liikennemalleja seuraamalla tehtävä on verrattavissa tieverkostojen päättelemiseen. Perinteiset lähestymistavat täsmäävät läheisesti odotetun dMRI-signaalin päätellystä yhteydestä todelliseen dMRI-signaaliin, jotta nämä verkot voidaan tunnistaa oikein.
Tätä optimointia varten tutkijat loivat aiemmin algoritmin nimeltä LiFE (Linear Fascicle Evaluation), mutta yksi sen haitoista oli, että se toimi perinteisillä keskusprosessoreilla (CPU), mikä teki laskemisesta aikaa.
Oikea elämä on intialaisten tutkijoiden luoma vallankumouksellinen malli
Aluksi tutkijat loivat algoritmin nimeltä LiFE (Linear Fascial Evaluation) tämän säädön tekemiseen, mutta yksi sen haitoista oli, että se riippui tavallisista keskusprosessoreista (CPU), jonka laskeminen vei aikaa.
Sridharanin tiimi paransi tekniikkaansa uusimmassa tutkimuksessa minimoidakseen tarvittavan prosessointityön monin eri tavoin, mukaan lukien redundanttien yhteyksien poistaminen ja LiFE:n suorituskyvyn merkittävä parantaminen.
Tutkijat jalostivat tekniikkaa edelleen suunnittelemalla sen toimimaan grafiikkaprosessoriyksiköissä (GPU), jotka ovat erikoistuneita sähköisiä siruja, joita käytetään huippuluokan pelitietokoneissa.
Tämän ansiosta he pystyivät tutkimaan tietoja 100-150 kertaa nopeammin kuin aikaisemmat lähestymistavat. Thänen päivitetty algoritminsa ReAl-LiFE voisi myös ennakoida, kuinka koehenkilö toimii tai tekee tietyn työn.
Toisin sanoen käyttämällä algoritmin ennustettuja linkin vahvuuksia kullekin yksilölle, tiimi pystyi selittämään vaihteluja käyttäytymis- ja kognitiivisten testien tuloksissa 200 henkilön otoksessa.
Tällaisilla analyyseillä voi olla myös lääketieteellistä käyttöä." Laajamittainen tietojenkäsittely on tulossa yhä tärkeämmäksi suurdatan neurotieteen sovelluksissa, erityisesti aivotoiminnan ja aivosairauksien ymmärtämisessä.
Yhteenveto
Yhteenvetona voidaan todeta, että ReAl-LiFE voisi myös ennakoida, kuinka koehenkilö käyttäytyy tai tekee tietyn työn.
Toisin sanoen käyttämällä algoritmin ennustettuja linkin vahvuuksia kullekin yksilölle, tiimi pystyi selittämään vaihteluja käyttäytymis- ja kognitiivisten testien tuloksissa 200 henkilön otoksessa.
Tällaisilla analyyseillä voi olla myös lääketieteellistä käyttöä." Laajamittainen tietojenkäsittely on tulossa yhä tärkeämmäksi suurdatan neurotieteen sovelluksissa, erityisesti aivotoiminnan ja aivosairauksien ymmärtämisessä.
Jätä vastaus