Үнді ғылым институтының (IISc) зерттеушілері жасаған GPU негізіндегі машиналық оқытудың жаңа алгоритмінің арқасында ғалымдар мидың әртүрлі аймақтары арасындағы байланыстарды жақсырақ түсініп, болжауы мүмкін.
Регуляризацияланған, жеделдетілген, сызықтық фасцикулды бағалау немесе ReAl-LiFE деп аталатын алгоритм адам миының диффузиялық магниттік-резонансты бейнелеу (dMRI) сканерлеуі арқылы алынған деректердің үлкен көлемін тиімді талдауға қабілетті.
Команданың ReAL-LiFE қолдануы оларға dMRI деректерін қазіргі заманауи әдістерге қарағанда 150 есе жылдам талдауға мүмкіндік берді.
Мидың қосылу моделі қалай жұмыс істейді?
Әр секунд сайын мидың миллиондаған нейрондары өртеніп, мидың бір бөлігінен екіншісіне нейрондық желілер арқылы қозғалатын электр импульстарын жасайды (сонымен қатар «аксондар» деп аталады).
Мидың компьютер ретінде жұмыс істеуі үшін бұл байланыстар қажет. Дегенмен, ми байланыстарын зерттеудің дәстүрлі әдістері көбінесе жануарлардың инвазивті үлгілерін пайдалануды қамтиды.
Дегенмен, dMRI сканерлері адам миының байланыстарын зерттеудің инвазивті емес әдісін ұсынады.
Мидың ақпараттық магистральдары оның әртүрлі аймақтарын байланыстыратын кабельдер (аксондар) болып табылады. Су молекулалары аксон шоғырларымен бірге ұзындығы бойынша бағытталған түрде қозғалады, өйткені олар түтік тәрізді түзілген.
Миды қамтитын талшықтар желісінің егжей-тегжейлі картасы болып табылатын коннекторды dMRI көмегімен жасауға болады, бұл зерттеушілерге осы қозғалысты қадағалауға мүмкіндік береді.
Өкінішке орай, бұл қосылғыштарды анықтау оңай емес. Тек мидың әрбір жеріндегі су молекулаларының таза ағыны сканерлеу деректерімен көрсетіледі.
Су молекулаларын автомобильдер ретінде қарастырайық. Жолдар туралы ештеңе білмей-ақ, жиналған жалғыз ақпарат - уақыт пен жерде әр нүктедегі көліктердің бағыты мен жылдамдығы.
Осы қозғалыс үлгілерін бақылай отырып, тапсырма жолдардың желілерін шығарумен салыстыруға болады. Дәстүрлі тәсілдер осы желілерді дұрыс анықтау үшін болжалды коннектордан күтілетін dMRI сигналымен нақты dMRI сигналымен тығыз сәйкес келеді.
Бұл оңтайландыруды жүзеге асыру үшін ғалымдар бұрын LiFE (Сызықтық фасцикулды бағалау) деп аталатын алгоритмді құрды, бірақ оның кемшіліктерінің бірі оның кәдімгі орталық өңдеу қондырғыларында (CPU) жұмыс істеуі болды, бұл есептеуді уақытты қажет етеді.
Шын өмір үнді зерттеушілері жасаған революциялық үлгі
Бастапқыда зерттеушілер бұл түзетуді орындау үшін LiFE (Linear Fascial Evaluation) деп аталатын алгоритмді жасады, бірақ оның кемшіліктерінің бірі қарапайым орталық процессорларға (CPU) тәуелді болғандықтан, есептеуге уақыт қажет болды.
Шридхаранның командасы қажет өңдеу жұмыстарын әртүрлі жолдармен азайту үшін, соның ішінде артық қосылымдарды жою және LiFE өнімділігін айтарлықтай жақсарту үшін ең жаңа зерттеуде техникасын жетілдірді.
Технологияны зерттеушілер жоғары деңгейлі ойын компьютерлерінде қолданылатын арнайы электрлік чиптер болып табылатын графикалық өңдеу блоктарында (GPU) жұмыс істеу үшін құрастыру арқылы одан әрі жетілдірді.
Бұл оларға бұрынғы әдістерге қарағанда деректерді 100-150 есе жылдам тексеруге мүмкіндік берді. Тоның жаңартылған алгоритмі, ReAl-LiFE, сонымен қатар адамның сынақ субъектісі қалай әрекет ететінін немесе белгілі бір жұмысты орындайтынын болжай алады.
Басқаша айтқанда, әрбір адам үшін алгоритмнің болжамды сілтеме күшін пайдалана отырып, команда 200 адамнан тұратын үлгідегі мінез-құлық және когнитивті тест ұпайларындағы ауытқуларды түсіндіре алды.
Мұндай талдаудың дәрілік мақсаттары да болуы мүмкін». Үлкен көлемді деректерді өңдеу үлкен деректерді нейробиология қолданбалары үшін, әсіресе мидың сау функциясы мен ми бұзылыстарын түсіну үшін маңыздырақ болып келеді.
қорытынды
Қорытындылай келе, ReAl-LiFE сонымен қатар адамның сынақ субъектісі қалай әрекет ететінін немесе белгілі бір жұмысты орындайтынын болжай алады.
Басқаша айтқанда, әрбір адам үшін алгоритмнің болжамды сілтеме күшін пайдалана отырып, команда 200 адамнан тұратын үлгідегі мінез-құлық және когнитивті тест ұпайларындағы ауытқуларды түсіндіре алды.
Мұндай талдаудың дәрілік мақсаттары да болуы мүмкін». Үлкен көлемді деректерді өңдеу үлкен деректерді нейробиология қолданбалары үшін, әсіресе мидың сау функциясы мен ми бұзылыстарын түсіну үшін маңыздырақ болып келеді.
пікір қалдыру