Mokslininkai gali geriau suprasti ir prognozuoti ryšius tarp įvairių smegenų sričių dėl naujo GPU pagrįsto mašininio mokymosi algoritmo, kurį sukūrė Indijos mokslo instituto (IISc) mokslininkai.
Algoritmas, žinomas kaip reguliarus, pagreitintas, linijinis fascicle vertinimas arba ReAl-LiFE, gali efektyviai išanalizuoti didžiulius duomenų kiekius, gautus atliekant žmogaus smegenų difuzinio magnetinio rezonanso tomografijos (dMRI) nuskaitymus.
Komanda naudojo „ReAL-LiFE“ leido jiems išanalizuoti dMRI duomenis daugiau nei 150 kartų greičiau, nei būtų galima atlikti naudojant dabartinius naujausius metodus.
Kaip veikia smegenų ryšio modelis?
Kiekvieną sekundę smegenyse užsidega milijonai neuronų, sukurdami elektrinius impulsus, kurie neuroniniais tinklais – dar vadinamais „aksonais“ – juda iš vienos smegenų dalies į kitą.
Kad smegenys veiktų kaip kompiuteris, šios jungtys būtinos. Tačiau tradiciniai smegenų jungčių tyrimo metodai dažnai apima invazinių gyvūnų modelių naudojimą.
Tačiau dMRI skenavimas yra neinvazinis būdas ištirti žmogaus smegenų ryšius.
Smegenų informacijos greitkeliai yra kabeliai (aksonai), jungiantys įvairius smegenų regionus. Vandens molekulės keliauja kartu su aksonų ryšuliais išilgai savo ilgio kryptingai, nes susidaro kaip vamzdeliai.
Jungtis, kuri yra išsamus smegenų skaidulų tinklo žemėlapis, gali būti įmanomas naudojant dMRT, leidžiančią tyrėjams stebėti šį judėjimą.
Deja, nustatyti šias jungtis nėra paprasta. Nuskaitymo duomenys rodo tik grynąjį vandens molekulių srautą kiekvienoje smegenų vietoje.
Apsvarstykite vandens molekules kaip automobilius. Nieko nežinant apie važiuojamąsias dalis, vienintelė renkama informacija yra automobilių kryptis ir greitis kiekviename laiko ir vietos taške.
Stebint šiuos eismo modelius, užduotis yra panaši į kelių tinklų išvadą. Įprasti metodai glaudžiai atitinka numatomą dMRI signalą iš numanomos jungties su tikruoju dMRI signalu, kad būtų galima teisingai identifikuoti šiuos tinklus.
Norėdami atlikti šį optimizavimą, mokslininkai anksčiau sukūrė algoritmą, pavadintą LiFE (Linear Fascicle Evaluation), tačiau vienas iš jo trūkumų buvo tai, kad jis veikė su įprastiniais centriniais procesoriais (CPU), todėl skaičiavimas užtruko daug laiko.
Tikras gyvenimas yra revoliucinis modelis, kurį sukūrė Indijos tyrinėtojai
Iš pradžių mokslininkai sukūrė algoritmą, pavadintą LiFE (Linear Fascial Evaluation), kad atliktų šį koregavimą, tačiau vienas iš jo trūkumų buvo tai, kad jis priklausė nuo įprastų centrinių procesorių (CPU), kurių skaičiavimas užtruko.
Sridharano komanda patobulino savo techniką naujausiame tyrime, kad sumažintų apdorojimo darbą, kurio reikia įvairiais būdais, įskaitant perteklinių jungčių pašalinimą ir žymiai pagerintą LiFE našumą.
Mokslininkai toliau patobulino technologiją, sukurdami ją taip, kad ji veiktų su grafikos apdorojimo blokais (GPU), kurie yra specializuoti elektriniai lustai, naudojami aukščiausios klasės žaidimų kompiuteriuose.
Tai leido jiems ištirti duomenis 100–150 kartų greičiau nei ankstesni metodai. Tjo atnaujintas algoritmas „ReAl-LiFE“ taip pat galėtų numatyti, kaip bandomasis žmogus veiks arba atliks tam tikrą darbą.
Kitaip tariant, naudodama algoritmo numatytus ryšius kiekvienam asmeniui, komanda sugebėjo paaiškinti elgesio ir pažinimo testų balų skirtumus tarp 200 asmenų.
Tokia analizė taip pat gali būti naudojama medicinoje. Didelio masto duomenų apdorojimas tampa vis svarbesnis didelių duomenų neurologijos programoms, ypač norint suprasti sveiką smegenų funkciją ir smegenų sutrikimus.
Išvada
Apibendrinant, „ReAl-LiFE“ taip pat galėtų numatyti, kaip bandomasis asmuo veiks arba atliks tam tikrą darbą.
Kitaip tariant, naudodama algoritmo numatytus ryšius kiekvienam asmeniui, komanda sugebėjo paaiškinti elgesio ir pažinimo testų balų skirtumus tarp 200 asmenų.
Tokia analizė taip pat gali būti naudojama medicinoje. Didelio masto duomenų apdorojimas tampa vis svarbesnis didelių duomenų neurologijos programoms, ypač norint suprasti sveiką smegenų funkciją ir smegenų sutrikimus.
Palikti atsakymą