Daftar Isi[Bersembunyi][Menunjukkan]
Para ilmuwan dapat lebih memahami dan memperkirakan hubungan antara berbagai area otak berkat algoritme pembelajaran mesin berbasis GPU baru yang dibuat oleh para peneliti di Indian Institute of Science (IISc).
Algoritme, yang dikenal sebagai Regularized, Accelerated, Linear Fascicle Evaluation atau ReAl-LiFE, mampu menganalisis secara efisien volume besar data yang dihasilkan oleh pemindaian difusi magnetic resonance imaging (dMRI) otak manusia.
Penggunaan ReAL-LiFE oleh tim memungkinkan mereka untuk menganalisis data dMRI lebih dari 150 kali lebih cepat daripada yang dapat mereka lakukan dengan teknik mutakhir saat ini.
Bagaimana cara kerja model konektivitas otak?
Setiap detik, jutaan neuron otak menyala, menciptakan pulsa listrik yang bergerak melalui jaringan saraf—juga dikenal sebagai “akson”—dari satu bagian otak ke bagian lain.
Agar otak berfungsi sebagai komputer, koneksi ini diperlukan. Namun, metode tradisional untuk mempelajari koneksi otak sering kali melibatkan penggunaan model hewan invasif.
Namun, pemindaian dMRI menawarkan cara non-invasif untuk memeriksa koneksi otak manusia.
Jalan raya informasi otak adalah kabel (akson) yang menghubungkan berbagai wilayahnya. Molekul air bergerak bersama dengan bundel akson sepanjang panjangnya secara terarah karena terbentuk seperti tabung.
Connectome, yang merupakan peta terperinci dari jaringan serat yang membentang di otak, dapat dimungkinkan oleh dMRI, yang memungkinkan para peneliti untuk mengikuti gerakan ini.
Sayangnya, mengidentifikasi penghubung ini tidak sederhana. Hanya aliran bersih molekul air di setiap lokasi di otak yang ditunjukkan oleh data pemindaian.
Anggap molekul air sebagai mobil. Tanpa mengetahui apa-apa tentang jalan raya, satu-satunya informasi yang dikumpulkan adalah arah dan kecepatan mobil di setiap titik waktu dan tempat.
Dengan memantau pola lalu lintas ini, tugasnya sebanding dengan menyimpulkan jaringan jalan raya. Pendekatan konvensional sangat cocok dengan sinyal dMRI yang diharapkan dari koneksi yang disimpulkan dengan sinyal dMRI yang sebenarnya untuk mengidentifikasi jaringan ini dengan benar.
Untuk melakukan optimasi ini, para ilmuwan sebelumnya membuat algoritma yang disebut LiFE (Linear Fascicle Evaluation), tetapi salah satu kelemahannya adalah ia beroperasi pada Central Processing Unit (CPU) konvensional, yang membuat komputasi memakan waktu.
Kehidupan nyata adalah model revolusioner yang diciptakan oleh para peneliti India
Awalnya, peneliti membuat algoritma yang disebut LiFE (Linear Fascial Evaluation) untuk melakukan penyesuaian ini, tetapi salah satu kelemahannya adalah bergantung pada Central Processing Unit (CPU) biasa, yang membutuhkan waktu untuk menghitung.
Tim Sridharan meningkatkan teknik mereka dalam studi terbaru untuk meminimalkan pekerjaan pemrosesan yang diperlukan dalam berbagai cara, termasuk menghapus koneksi yang berlebihan dan secara signifikan meningkatkan kinerja LiFE.
Teknologi ini disempurnakan lebih lanjut oleh para peneliti dengan merekayasanya untuk bekerja pada Graphics Processing Units (GPU), yang merupakan chip listrik khusus yang digunakan pada PC gaming kelas atas.
Ini memungkinkan mereka untuk memeriksa data 100-150 kali lebih cepat dari pendekatan sebelumnya. Talgoritmanya yang diperbarui, ReAl-LiFE, juga dapat mengantisipasi bagaimana subjek uji manusia akan bertindak atau melakukan pekerjaan tertentu.
Dengan kata lain, menggunakan kekuatan tautan yang diproyeksikan algoritme untuk setiap individu, tim mampu menjelaskan varians dalam skor tes perilaku dan kognitif di antara sampel 200 individu.
Analisis semacam itu juga dapat memiliki kegunaan obat. ” Pemrosesan data skala besar menjadi semakin penting untuk aplikasi ilmu saraf data besar, terutama dalam memahami fungsi otak yang sehat dan gangguan otak.
Kesimpulan
Kesimpulannya, ReAl-LiFE juga dapat mengantisipasi bagaimana subjek tes manusia akan bertindak atau melakukan pekerjaan tertentu.
Dengan kata lain, menggunakan kekuatan tautan yang diproyeksikan algoritme untuk setiap individu, tim mampu menjelaskan varians dalam skor tes perilaku dan kognitif di antara sampel 200 individu.
Analisis semacam itu juga dapat memiliki kegunaan obat. ” Pemrosesan data skala besar menjadi semakin penting untuk aplikasi ilmu saraf data besar, terutama dalam memahami fungsi otak yang sehat dan gangguan otak.
Tinggalkan Balasan