Gli scienziati possono comprendere e prevedere meglio le connessioni tra varie aree cerebrali grazie a un nuovo algoritmo di apprendimento automatico basato su GPU creato dai ricercatori dell'Indian Institute of Science (IISc).
L'algoritmo, noto come valutazione del fascicolo lineare, accelerato, regolare o ReAl-LiFE, è in grado di analizzare in modo efficiente gli enormi volumi di dati prodotti dalle scansioni di risonanza magnetica a diffusione (dMRI) del cervello umano.
L'uso da parte del team di ReAL-LiFE ha consentito loro di analizzare i dati dMRI più di 150 volte più velocemente di quanto avrebbero potuto fare con le attuali tecniche all'avanguardia.
Come funziona il modello di connettività cerebrale?
Ogni secondo, i milioni di neuroni del cervello si attivano, creando impulsi elettrici che si muovono attraverso reti neurali, note anche come "assoni", da una parte all'altra del cervello.
Perché il cervello funzioni come un computer, queste connessioni sono necessarie. Tuttavia, i metodi tradizionali per studiare le connessioni cerebrali spesso implicano l'utilizzo di modelli animali invasivi.
Tuttavia, le scansioni dMRI offrono un modo non invasivo per esaminare le connessioni del cervello umano.
Le autostrade dell'informazione del cervello sono i cavi (assoni) che collegano le sue varie regioni. Le molecole d'acqua viaggiano insieme ai fasci di assoni lungo la loro lunghezza in modo diretto poiché sono formate come tubi.
Il connettoma, che è una mappa dettagliata della rete di fibre che attraversa il cervello, può essere reso possibile dalla dMRI, che consente ai ricercatori di seguire questo movimento.
Sfortunatamente, identificare questi connettomi non è semplice. Solo il flusso netto di molecole d'acqua in ciascuna posizione del cervello è mostrato dai dati delle scansioni.
Considera le molecole d'acqua come automobili. Senza sapere nulla delle strade, le uniche informazioni raccolte sono la direzione e la velocità delle auto in ogni momento e luogo.
Monitorando questi modelli di traffico, il compito è paragonabile a dedurre le reti stradali. Gli approcci convenzionali corrispondono strettamente al segnale dMRI previsto dal connettoma dedotto con il segnale dMRI effettivo al fine di identificare correttamente queste reti.
Per fare questa ottimizzazione, gli scienziati hanno creato in precedenza un algoritmo chiamato LiFE (Linear Fascicle Evaluation), ma uno dei suoi svantaggi era che operava su unità di elaborazione centrali (CPU) convenzionali, il che rendeva il calcolo dispendioso in termini di tempo.
Vita reale è un modello rivoluzionario che è stato creato da ricercatori indiani
Inizialmente, i ricercatori hanno creato un algoritmo chiamato LiFE (Linear Fascial Evaluation) per eseguire questa regolazione, ma uno dei suoi svantaggi era che dipendeva dalle normali unità di elaborazione centrale (CPU), che richiedevano tempo per essere calcolate.
Il team di Sridharan ha migliorato la propria tecnica nel più recente studio per ridurre al minimo il lavoro di elaborazione richiesto in vari modi, inclusa la rimozione delle connessioni ridondanti e il miglioramento significativo delle prestazioni di LiFE.
La tecnologia è stata ulteriormente perfezionata dai ricercatori progettandola per funzionare su unità di elaborazione grafica (GPU), che sono chip elettrici specializzati utilizzati nei PC da gioco di fascia alta.
Ciò ha consentito loro di esaminare i dati 100-150 volte più velocemente rispetto agli approcci precedenti. Til suo algoritmo aggiornato, ReAl-LiFE, potrebbe anche anticipare come un soggetto di test umano agirà o farà un determinato lavoro.
In altre parole, utilizzando i punti di forza dei collegamenti previsti dall'algoritmo per ciascun individuo, il team è stato in grado di spiegare le varianze nei punteggi dei test comportamentali e cognitivi in un campione di 200 individui.
Tale analisi può anche avere usi medicinali”. L'elaborazione dei dati su larga scala sta diventando sempre più importante per le applicazioni della neuroscienza dei big data, in particolare per comprendere la funzione cerebrale sana e i disturbi cerebrali.
Conclusione
In conclusione, ReAl-LiFE potrebbe anche anticipare come un soggetto di test umano agirà o farà un determinato lavoro.
In altre parole, utilizzando i punti di forza dei collegamenti previsti dall'algoritmo per ciascun individuo, il team è stato in grado di spiegare le varianze nei punteggi dei test comportamentali e cognitivi in un campione di 200 individui.
Tale analisi può anche avere usi medicinali”. L'elaborazione dei dati su larga scala sta diventando sempre più importante per le applicazioni della neuroscienza dei big data, in particolare per comprendere la funzione cerebrale sana e i disturbi cerebrali.
Lascia un Commento