インド科学研究所 (IISc) の研究者が作成した新しい GPU ベースの機械学習アルゴリズムのおかげで、科学者はさまざまな脳領域間のつながりをよりよく理解して予測できるようになります。
正規化加速線形束評価 (ReAl-LiFE) として知られるこのアルゴリズムは、人間の脳の拡散磁気共鳴画像法 (dMRI) スキャンによって生成された大量のデータを効率的に分析できます。
チームは ReAL-LiFE を使用することで、現在の最先端技術を使用した場合よりも 150 倍以上速く dMRI データを分析できるようになりました。
脳の接続モデルはどのように機能するのでしょうか?
毎秒、脳の何百万ものニューロンが発火し、「軸索」としても知られるニューラル ネットワークを介して脳のある部分から別の部分に移動する電気パルスを生成します。
脳がコンピューターとして機能するには、これらの接続が必要です。 しかし、脳の接続を研究する従来の方法では、侵襲的な動物モデルを使用することがよくあります。
ただし、dMRI スキャンは、人間の脳の接続を検査する非侵襲的な方法を提供します。
脳の情報ハイウェイは、脳のさまざまな領域を結ぶケーブル (軸索) です。 水分子は管状に形成されているため、軸索束に沿ってその長さに沿って方向性を持って移動します。
コネクトームは、脳に広がる線維ネットワークの詳細なマップであり、研究者がこの動きを追跡できるようにする dMRI によって可能になります。
残念ながら、これらのコネクトームを特定するのは簡単ではありません。 スキャンデータによって示されるのは、脳内の各位置における水分子の正味の流れだけです。
水の分子を自動車に例えてみましょう。 車道について何も知らない場合、収集される情報は、各時点および場所での車の方向と速度だけです。
これらの交通パターンを監視することにより、このタスクは道路のネットワークを推測することに匹敵します。 従来のアプローチは、これらのネットワークを正しく識別するために、推定されたコネクトームからの予想される dMRI 信号を実際の dMRI 信号と厳密に一致させます。
この最適化を行うために、科学者たちは以前に LiFE (Linear Fascicle Evaluation) と呼ばれるアルゴリズムを作成しましたが、その欠点の XNUMX つは、このアルゴリズムが従来の中央処理装置 (CPU) で動作するため、計算に時間がかかることでした。
実生活 インドの研究者によって作成された革新的なモデルです
当初、研究者らはこの調整を行うために LiFE (線形筋膜評価) と呼ばれるアルゴリズムを作成しましたが、その欠点の XNUMX つは、計算に時間がかかる通常の中央処理装置 (CPU) に依存することでした。
Sridharan氏のチームは最新の研究で技術を改良し、冗長接続の削除やLiFEのパフォーマンスの大幅な向上など、さまざまな方法で必要な処理作業を最小限に抑えた。
このテクノロジーは、ハイエンドのゲーム用 PC で使用される特殊な電気チップであるグラフィックス プロセッシング ユニット (GPU) で動作するように研究者によってさらに改良されました。
これにより、以前のアプローチよりも 100 ~ 150 倍速くデータを調査できるようになりました。 T彼の最新のアルゴリズムである ReAl-LiFE は、人間の被験者がどのように行動したり、特定の仕事をしたりするかを予測することもできます。
言い換えれば、チームは、各個人に対するアルゴリズムの予測リンク強度を使用して、200 人のサンプル間の行動および認知テストのスコアのばらつきを説明することができました。
このような分析には医療用途もあります。」 大規模データ処理は、特に健康な脳機能と脳障害を理解する上で、ビッグデータ神経科学アプリケーションにとってますます重要になっています。
まとめ
結論として、ReAl-LiFE は人間の被験者がどのように行動したり、特定の仕事をしたりするかを予測することもできます。
言い換えれば、チームは、各個人に対するアルゴリズムの予測リンク強度を使用して、200 人のサンプル間の行動および認知テストのスコアのばらつきを説明することができました。
このような分析には医療用途もあります。」 大規模データ処理は、特に健康な脳機能と脳障害を理解する上で、ビッグデータ神経科学アプリケーションにとってますます重要になっています。
コメントを残す