Pregled sadržaja[Sakriti][Pokazati]
Znanstvenici mogu bolje razumjeti i predvidjeti veze između različitih područja mozga zahvaljujući novom algoritmu strojnog učenja temeljenom na GPU-u koji su izradili istraživači s Indijskog instituta za znanost (IISc).
Algoritam, poznat kao Regularized, Accelerated, Linear Fascicle Evaluation ili ReAl-LiFE, sposoban je učinkovito analizirati goleme količine podataka proizvedenih skeniranjem ljudskog mozga difuzijskom magnetskom rezonancijom (dMRI).
Korištenje ReAL-LiFE od strane tima omogućilo im je analizu dMRI podataka više od 150 puta brže nego što bi to mogli učiniti s trenutnim najsuvremenijim tehnikama.
Kako funkcionira model povezivanja mozga?
Svake sekunde, milijuni neurona u mozgu pale, stvarajući električne impulse koji se kreću putem neuronskih mreža—poznatih i kao "aksoni"—iz jednog dijela mozga u drugi.
Da bi mozak funkcionirao kao računalo, te su veze neophodne. Međutim, tradicionalne metode za proučavanje moždanih veza često uključuju korištenje invazivnih životinjskih modela.
Međutim, dMRI skeniranje nudi neinvazivan način ispitivanja veza ljudskog mozga.
Informacijske magistrale u mozgu su kablovi (aksoni) koji povezuju njegove različite regije. Molekule vode putuju zajedno sa snopovima aksona duž njihove duljine na usmjeren način budući da su oblikovane poput cijevi.
Konektom, koji je detaljna karta mreže vlakana koja se protežu kroz mozak, može biti omogućen dMRI-om, koji istraživačima omogućuje praćenje ovog kretanja.
Nažalost, identificiranje ovih konektoma nije jednostavno. Podaci skeniranja prikazuju samo neto protok molekula vode na svakom mjestu u mozgu.
Molekule vode promatrajte kao automobile. Ne znajući ništa o cestama, jedina prikupljena informacija je smjer i brzina automobila u svakoj točki u vremenu i mjestu.
Praćenjem ovih prometnih obrazaca, zadatak je usporediv s zaključivanjem mreža prometnica. Konvencionalni pristupi usko povezuju očekivani dMRI signal iz pretpostavljenog konektoma sa stvarnim dMRI signalom kako bi se te mreže ispravno identificirale.
Kako bi izvršili ovu optimizaciju, znanstvenici su ranije stvorili algoritam nazvan LiFE (Linear Fascicle Evaluation), ali jedan od njegovih nedostataka bio je to što je radio na konvencionalnim središnjim procesorskim jedinicama (CPU), zbog čega je računanje oduzimalo mnogo vremena.
Stvaran život je revolucionarni model koji su osmislili indijski istraživači
U početku su istraživači izradili algoritam nazvan LiFE (Linear Fascial Evaluation) za ovu prilagodbu, ali jedan od njegovih nedostataka bio je taj što je ovisio o običnim središnjim procesorskim jedinicama (CPU), kojima je trebalo vremena za izračunavanje.
Sridharanov tim poboljšao je svoju tehniku u najnovijoj studiji kako bi smanjio rad na obradi koji je potreban na razne načine, uključujući uklanjanje suvišnih veza i značajno poboljšanje performansi LiFE-a.
Tehnologiju su istraživači dodatno usavršili tako što su je projektirali da radi na jedinicama za grafičku obradu (GPU), koji su specijalizirani električni čipovi koji se koriste u vrhunskim računalima za igre.
To im je omogućilo ispitivanje podataka 100-150 puta brže od prethodnih pristupa. Tnjegov ažurirani algoritam, ReAl-LiFE, također je mogao predvidjeti kako će ljudski ispitanik djelovati ili obaviti određeni posao.
Drugim riječima, korištenjem projicirane snage veze algoritma za svakog pojedinca, tim je uspio objasniti varijacije u rezultatima bihevioralnih i kognitivnih testova među uzorkom od 200 pojedinaca.
Takva analiza može imati i medicinsku upotrebu.” Obrada podataka velikih razmjera postaje sve važnija za primjene velikih podataka u neuroznanosti, osobito u razumijevanju zdrave funkcije mozga i moždanih poremećaja.
Zaključak
Zaključno, ReAl-LiFE bi također mogao predvidjeti kako će se ljudski ispitanik ponašati ili obaviti određeni posao.
Drugim riječima, korištenjem projicirane snage veze algoritma za svakog pojedinca, tim je uspio objasniti varijacije u rezultatima bihevioralnih i kognitivnih testova među uzorkom od 200 pojedinaca.
Takva analiza može imati i medicinsku upotrebu.” Obrada podataka velikih razmjera postaje sve važnija za primjene velikih podataka u neuroznanosti, osobito u razumijevanju zdrave funkcije mozga i moždanih poremećaja.
Ostavi odgovor