Գիտնականները կարող են ավելի լավ հասկանալ և կանխատեսել կապերը ուղեղի տարբեր տարածքների միջև՝ շնորհիվ GPU-ի վրա հիմնված մեքենայական ուսուցման նոր ալգորիթմի, որը ստեղծվել է Հնդկական գիտության ինստիտուտի (IISc) հետազոտողների կողմից:
Ալգորիթմը, որը հայտնի է որպես կանոնավորացված, արագացված, գծային ֆասցիկլային գնահատում կամ ReAl-LiFE, կարող է արդյունավետ վերլուծել մարդու ուղեղի դիֆուզիոն մագնիսական ռեզոնանսային պատկերման (dMRI) սկանավորման արդյունքում ստացված տվյալների հսկայական ծավալները:
Թիմի կողմից ReAL-LiFE-ի օգտագործումը թույլ տվեց նրանց վերլուծել dMRI տվյալները ավելի քան 150 անգամ ավելի արագ, քան կարող էին ունենալ ժամանակակից ժամանակակից տեխնիկայի դեպքում:
Ինչպե՞ս է աշխատում ուղեղի միացման մոդելը:
Ամեն վայրկյան ուղեղի միլիոնավոր նեյրոնները կրակում են՝ ստեղծելով էլեկտրական իմպուլսներ, որոնք շարժվում են նեյրոնային ցանցերի միջոցով, որը նաև հայտնի է որպես «աքսոններ»՝ ուղեղի մի հատվածից մյուսը:
Որպեսզի ուղեղը աշխատի որպես համակարգիչ, այս կապերն անհրաժեշտ են: Այնուամենայնիվ, ուղեղի կապերի ուսումնասիրման ավանդական մեթոդները հաճախ ներառում են կենդանիների ինվազիվ մոդելների օգտագործումը:
Այնուամենայնիվ, dMRI սկանավորումն առաջարկում է ոչ ինվազիվ միջոց՝ ուսումնասիրելու մարդու ուղեղի կապերը:
Ուղեղի տեղեկատվական մայրուղիները մալուխներն են (աքսոնները), որոնք կապում են նրա տարբեր շրջանները: Ջրի մոլեկուլները աքսոնային կապոցների հետ միասին շարժվում են իրենց երկարությամբ ուղղորդված ձևով, քանի որ դրանք ձևավորվում են խողովակների պես:
Կոնեկտոմը, որը ուղեղն ընդգրկող մանրաթելերի ցանցի մանրամասն քարտեզն է, կարող է հնարավոր լինել dMRI-ի միջոցով, որը հետազոտողներին հնարավորություն է տալիս հետևել այս շարժմանը:
Ցավոք, այս կոնեկտոմների նույնականացումը հեշտ չէ: Սկանավորման տվյալները ցույց են տալիս միայն ջրի մոլեկուլների զուտ հոսքը ուղեղի յուրաքանչյուր վայրում:
Դիտարկենք ջրի մոլեկուլները որպես ավտոմեքենաներ: Առանց ճանապարհների մասին որևէ բան իմանալու՝ հավաքված միակ տեղեկատվությունը ժամանակի և վայրի յուրաքանչյուր կետում մեքենաների ուղղությունն ու արագությունն է:
Այս երթևեկության օրինաչափությունների մոնիտորինգի միջոցով առաջադրանքը համեմատելի է ճանապարհների ցանցերի եզրակացության հետ: Պայմանական մոտեցումները սերտորեն համընկնում են ենթադրյալ dMRI ազդանշանը եզրակացված կոնեկտոմից իրական dMRI ազդանշանի հետ՝ այս ցանցերը ճիշտ նույնականացնելու համար:
Այս օպտիմալացումն անելու համար գիտնականներն ավելի վաղ ստեղծեցին LiFE (Linear Fascicle Evaluation) կոչվող ալգորիթմը, սակայն դրա թերություններից մեկն այն էր, որ այն աշխատում էր սովորական կենտրոնական պրոցեսորային միավորների (CPUs) վրա, ինչը ժամանակատար էր դարձնում հաշվարկը:
Իրական կյանք հեղափոխական մոդել է, որը ստեղծվել է հնդիկ հետազոտողների կողմից
Սկզբում հետազոտողները ստեղծեցին LiFE (Linear Fascial Evaluation) ալգորիթմ՝ այս ճշգրտումն անելու համար, սակայն դրա թերություններից մեկն այն էր, որ այն կախված էր սովորական Կենտրոնական պրոցեսորային միավորներից (CPU-ներից), որոնք հաշվարկելու համար ժամանակ պահանջվեց:
Սրիդարանի թիմը կատարելագործել է իր տեխնիկան նորագույն ուսումնասիրության մեջ՝ նվազագույնի հասցնելու մշակման աշխատանքները, որոնք պահանջվում են տարբեր ձևերով, ներառյալ ավելորդ կապերի հեռացումը և զգալիորեն բարելավելով LiFE-ի աշխատանքը:
Տեխնոլոգիան հետագայում կատարելագործվել է հետազոտողների կողմից՝ նախագծելով այն գրաֆիկական մշակման միավորների (GPU) վրա աշխատելու համար, որոնք մասնագիտացված էլեկտրական չիպեր են, որոնք օգտագործվում են բարձրակարգ խաղային ԱՀ-ներում:
Սա թույլ տվեց նրանց ուսումնասիրել տվյալները 100-150 անգամ ավելի արագ, քան նախորդ մոտեցումները: ՏՆրա թարմացված ալգորիթմը՝ ReAl-LiFE, կարող է նաև կանխատեսել, թե ինչպես կգործի կամ որոշակի աշխատանք կատարի փորձարկվող մարդը:
Այլ կերպ ասած, օգտագործելով ալգորիթմի կանխատեսվող կապի ուժեղությունը յուրաքանչյուր անհատի համար, թիմը կարողացավ բացատրել վարքագծային և ճանաչողական թեստի շեղումները 200 անհատների ընտրանքում:
Նման անալիզը կարող է ունենալ նաև դեղորայքային կիրառություն»։ Լայնածավալ տվյալների մշակումն ավելի ու ավելի կարևոր է դառնում մեծ տվյալների նեյրոգիտության կիրառման համար, մասնավորապես՝ ուղեղի առողջ գործառույթը և ուղեղի խանգարումները հասկանալու համար:
Եզրափակում
Եզրափակելով՝ ReAl-LiFE-ը կարող է նաև կանխատեսել, թե ինչպես կգործի կամ որոշակի աշխատանք կատարի փորձարկվող մարդը:
Այլ կերպ ասած, օգտագործելով ալգորիթմի կանխատեսվող կապի ուժեղությունը յուրաքանչյուր անհատի համար, թիմը կարողացավ բացատրել վարքագծային և ճանաչողական թեստի շեղումները 200 անհատների ընտրանքում:
Նման անալիզը կարող է ունենալ նաև դեղորայքային կիրառություն»։ Լայնածավալ տվյալների մշակումն ավելի ու ավելի կարևոր է դառնում մեծ տվյալների նեյրոգիտության կիրառման համար, մասնավորապես՝ ուղեղի առողջ գործառույթը և ուղեղի խանգարումները հասկանալու համար:
Թողնել գրառում