მეცნიერებს შეუძლიათ უკეთ გაიგონ და წინასწარ განსაზღვრონ კავშირები ტვინის სხვადასხვა უბნებს შორის GPU-ზე დაფუძნებული მანქანათმცოდნეობის ახალი ალგორითმის წყალობით, რომელიც შექმნილია ინდოეთის მეცნიერების ინსტიტუტის (IISc) მკვლევარების მიერ.
ალგორითმს, რომელიც ცნობილია როგორც მოწესრიგებული, დაჩქარებული, ხაზოვანი ფასციკულის შეფასება ან ReAl-LiFE, შეუძლია ეფექტურად გააანალიზოს მონაცემების დიდი მოცულობები, რომლებიც წარმოიქმნება ადამიანის ტვინის დიფუზიური მაგნიტურ-რეზონანსული ტომოგრაფიით (dMRI) სკანირებით.
გუნდის მიერ ReAL-LiFE-ის გამოყენებამ მათ საშუალება მისცა გაეანალიზებინათ dMRI მონაცემები 150-ჯერ უფრო სწრაფად, ვიდრე მათ შეეძლოთ გაეკეთებინათ თანამედროვე თანამედროვე ტექნიკით.
როგორ მუშაობს ტვინის კავშირის მოდელი?
ყოველ წამს, ტვინის მილიონობით ნეირონები იფეთქებენ და ქმნიან ელექტრულ იმპულსებს, რომლებიც მოძრაობენ ნერვული ქსელების მეშვეობით, რომლებიც ასევე ცნობილია როგორც "აქსონები" - ტვინის ერთი ნაწილიდან მეორეში.
იმისთვის, რომ ტვინმა კომპიუტერის სახით იმუშაოს, ეს კავშირები აუცილებელია. თუმცა, ტვინის კავშირების შესწავლის ტრადიციული მეთოდები ხშირად მოიცავს ცხოველების ინვაზიური მოდელების გამოყენებას.
თუმცა, dMRI სკანირება გთავაზობთ არაინვაზიურ გზას ადამიანის ტვინის კავშირების შესამოწმებლად.
ტვინის საინფორმაციო მაგისტრალები არის კაბელები (აქსონები), რომლებიც აკავშირებენ მის სხვადასხვა რეგიონებს. წყლის მოლეკულები მოძრაობენ აქსონების შეკვრებთან ერთად მათი სიგრძის გასწვრივ მიმართული გზით, რადგან ისინი წარმოიქმნება მილების მსგავსად.
კონექტომი, რომელიც წარმოადგენს ტვინზე მოცული ბოჭკოების ქსელის დეტალურ რუკას, შესაძლებელია შესაძლებელი გახდეს dMRI-ით, რაც მკვლევარებს საშუალებას აძლევს თვალყური ადევნონ ამ მოძრაობას.
სამწუხაროდ, ამ კონექტომების იდენტიფიცირება მარტივი არ არის. სკანირების მონაცემებით ნაჩვენებია მხოლოდ წყლის მოლეკულების წმინდა ნაკადი თავის ტვინში თითოეულ ადგილას.
განვიხილოთ წყლის მოლეკულები, როგორც მანქანები. გზების შესახებ არაფრის ცოდნის გარეშე, შეგროვებული ერთადერთი ინფორმაცია არის მანქანების მიმართულება და სიჩქარე დროისა და ადგილის თითოეულ მომენტში.
მოძრაობის ამ შაბლონების მონიტორინგით, ამოცანა შედარებულია საგზაო გზების ქსელების დასკვნასთან. ჩვეულებრივი მიდგომები მჭიდროდ ემთხვევა მოსალოდნელ dMRI სიგნალს დასკვნის კონექტომიდან რეალურ dMRI სიგნალთან, რათა სწორად მოხდეს ამ ქსელების იდენტიფიცირება.
ამ ოპტიმიზაციის გასაკეთებლად, მეცნიერებმა ადრე შექმნეს ალგორითმი სახელწოდებით LiFE (ხაზოვანი ფასციკულის შეფასება), მაგრამ მისი ერთ-ერთი ნაკლი ის იყო, რომ ის ფუნქციონირებდა ჩვეულებრივ ცენტრალურ დამუშავების ერთეულებზე (CPU), რაც გამოთვლას შრომატევად აქცევდა.
Ნამდვილი ცხოვრება არის რევოლუციური მოდელი, რომელიც შექმნეს ინდოელმა მკვლევარებმა
თავდაპირველად, მკვლევარებმა შექმნეს ალგორითმი სახელწოდებით LiFE (ხაზოვანი ფასციალური შეფასება) ამ კორექტირების გასაკეთებლად, მაგრამ მისი ერთ-ერთი მინუსი ის იყო, რომ იგი დამოკიდებული იყო ჩვეულებრივ ცენტრალურ დამუშავების ერთეულებზე (CPU), რომელთა გამოთვლას დრო დასჭირდა.
Sridharan-ის გუნდმა გააუმჯობესა თავისი ტექნიკა უახლეს კვლევაში, რათა მინიმუმამდე დაიყვანოს დამუშავების სამუშაოები, რომლებიც საჭიროა სხვადასხვა გზით, მათ შორის ზედმეტი კავშირების მოხსნისა და LiFE-ის მუშაობის მნიშვნელოვნად გაუმჯობესების ჩათვლით.
ტექნოლოგია შემდგომში დაიხვეწა მკვლევარებმა მისი ინჟინერიით, რომ იმუშაოს გრაფიკული დამუშავების ერთეულებზე (GPU), რომლებიც სპეციალიზებული ელექტრო ჩიპებია, რომლებიც გამოიყენება მაღალი დონის სათამაშო კომპიუტერებში.
ამან მათ საშუალება მისცა შეესწავლათ მონაცემები 100-150-ჯერ უფრო სწრაფად, ვიდრე წინა მიდგომები. თმის განახლებულ ალგორითმს, ReAl-LiFE, ასევე შეუძლია წინასწარ განსაზღვროს, თუ როგორ იმოქმედებს ადამიანის საცდელი სუბიექტი ან გააკეთებს გარკვეულ სამუშაოს.
სხვა სიტყვებით რომ ვთქვათ, ალგორითმის პროგნოზირებული ბმულის სიძლიერის გამოყენებით თითოეული ინდივიდისთვის, გუნდმა შეძლო აეხსნა ქცევითი და კოგნიტური ტესტის ქულების განსხვავება 200 ინდივიდის ნიმუშში.
ასეთ ანალიზს შეიძლება ჰქონდეს სამკურნალო გამოყენებაც“. მონაცემთა ფართომასშტაბიანი დამუშავება სულ უფრო მნიშვნელოვანი ხდება დიდი მონაცემების ნეირომეცნიერების აპლიკაციებისთვის, განსაკუთრებით ტვინის ჯანსაღი ფუნქციისა და ტვინის დარღვევების გაგებისთვის.
დასკვნა
დასასრულს, ReAl-LiFE-ს ასევე შეუძლია წინასწარ განსაზღვროს, თუ როგორ იმოქმედებს ან შეასრულებს გარკვეულ სამუშაოს ადამიანის ტესტირების სუბიექტი.
სხვა სიტყვებით რომ ვთქვათ, ალგორითმის პროგნოზირებული ბმულის სიძლიერის გამოყენებით თითოეული ინდივიდისთვის, გუნდმა შეძლო აეხსნა ქცევითი და კოგნიტური ტესტის ქულების განსხვავება 200 ინდივიდის ნიმუშში.
ასეთ ანალიზს შეიძლება ჰქონდეს სამკურნალო გამოყენებაც“. მონაცემთა ფართომასშტაბიანი დამუშავება სულ უფრო მნიშვნელოვანი ხდება დიდი მონაცემების ნეირომეცნიერების აპლიკაციებისთვის, განსაკუთრებით ტვინის ჯანსაღი ფუნქციისა და ტვინის დარღვევების გაგებისთვის.
დატოვე პასუხი