Tartalomjegyzék[Elrejt][Előadás]
Az Indian Institute of Science (IISc) kutatói által létrehozott új GPU-alapú gépi tanulási algoritmusnak köszönhetően a tudósok jobban képesek megérteni és előre jelezni a különböző agyterületek közötti kapcsolatokat.
A Regularized, Accelerated, Linear Fascicle Evaluation vagy ReAl-LiFE néven ismert algoritmus képes hatékonyan elemezni az emberi agy diffúziós mágneses rezonancia képalkotása (dMRI) által előállított hatalmas mennyiségű adatot.
A csapat ReAL-LiFE használata lehetővé tette számukra, hogy több mint 150-szer gyorsabban elemezzék a dMRI adatokat, mint a jelenlegi legmodernebb technikákkal.
Hogyan működik az agyi kapcsolati modell?
Minden másodpercben az agy neuronjainak milliói tüzelnek, és elektromos impulzusokat hoznak létre, amelyek neurális hálózatokon – más néven „axonokon” – az agy egyik részéből a másikba mozognak.
Ahhoz, hogy az agy számítógépként működjön, ezekre a kapcsolatokra szükség van. Az agyi kapcsolatok tanulmányozásának hagyományos módszerei azonban gyakran invazív állatmodellek alkalmazását jelentik.
A dMRI-vizsgálatok azonban nem invazív módot kínálnak az emberi agyi kapcsolatok vizsgálatára.
Az agy információs útvonalai a kábelek (axonok), amelyek összekötik az agy különböző régióit. A vízmolekulák az axonkötegekkel együtt haladnak hosszuk mentén, irányított módon, mivel csövekhez hasonlóan alakulnak ki.
A konnektomot, amely az agyon átívelő rostok hálózatának részletes térképe, a dMRI teszi lehetővé, amely lehetővé teszi a kutatók számára ennek a mozgásnak a követését.
Sajnos ezeknek a kapcsolatoknak az azonosítása nem egyszerű. A szkennelési adatok csak a vízmolekulák nettó áramlását mutatják az agy egyes helyein.
Tekintsük a vízmolekulákat autóknak. Anélkül, hogy bármit is tudnának az utakról, az egyetlen gyűjtött információ az autók iránya és sebessége minden időpontban és helyen.
Ezen forgalmi minták figyelemmel kísérésével a feladat összevethető az utak hálózatának megállapításával. A hagyományos megközelítések szorosan egyeztetik a kikövetkeztetett összeköttetéstől várt dMRI jelet a tényleges dMRI jellel, hogy helyesen azonosítsák ezeket a hálózatokat.
Az optimalizálás érdekében a tudósok korábban létrehoztak egy LiFE (Linear Fascicle Evaluation) nevű algoritmust, de egyik hátránya az volt, hogy hagyományos központi feldolgozó egységekkel (CPU) működött, ami időigényessé tette a számítást.
Való élet egy forradalmi modell, amelyet indiai kutatók alkottak meg
Kezdetben a kutatók létrehoztak egy LiFE (Linear Fascial Evaluation) nevű algoritmust ennek a beállításnak a végrehajtására, de ennek egyik hátránya az volt, hogy az átlagos központi feldolgozó egységektől (CPU) függött, aminek kiszámítása időt vett igénybe.
Sridharan csapata a legújabb tanulmányban továbbfejlesztette a technikáját, hogy minimalizálja a feldolgozási munkát különféle módokon, beleértve a redundáns kapcsolatok eltávolítását és a LiFE teljesítményének jelentős javítását.
A technológiát a kutatók tovább finomították úgy, hogy a grafikus feldolgozóegységeken (GPU-k) működjenek, amelyek speciális elektromos chipek, amelyeket csúcskategóriás játék PC-kben használnak.
Ez lehetővé tette számukra, hogy 100-150-szer gyorsabban vizsgálják meg az adatokat, mint a korábbi megközelítések. Tfrissített algoritmusa, a ReAl-LiFE azt is előre jelezheti, hogy egy kísérleti alany hogyan fog viselkedni vagy elvégezni egy bizonyos munkát.
Más szóval, az algoritmus minden egyénre előrevetített kapcsolati erősségeit felhasználva a csapat meg tudta magyarázni a viselkedési és kognitív teszteredmények eltéréseit egy 200 fős mintán.
Az ilyen elemzések gyógyászati célokra is használhatók. A nagyszabású adatfeldolgozás egyre fontosabbá válik a big data idegtudományi alkalmazásokban, különösen az egészséges agyműködés és az agyi rendellenességek megértésében.
Következtetés
Összefoglalva, a ReAl-LiFE arra is számíthat, hogy egy kísérleti alany hogyan fog viselkedni vagy elvégezni egy bizonyos munkát.
Más szóval, az algoritmus minden egyénre előrevetített kapcsolati erősségeit felhasználva a csapat meg tudta magyarázni a viselkedési és kognitív teszteredmények eltéréseit egy 200 fős mintán.
Az ilyen elemzések gyógyászati célokra is használhatók. A nagyszabású adatfeldolgozás egyre fontosabbá válik a big data idegtudományi alkalmazásokban, különösen az egészséges agyműködés és az agyi rendellenességek megértésében.
Hagy egy Válaszol