Zinātnieki var labāk izprast un prognozēt savienojumus starp dažādām smadzeņu zonām, pateicoties jaunam uz GPU balstītam mašīnmācīšanās algoritmam, ko izveidojuši Indijas Zinātņu institūta (IISc) pētnieki.
Algoritms, kas pazīstams kā Regularized, Accelerated, Linear Fascicle Evaluation vai ReAl-LiFE, spēj efektīvi analizēt milzīgos datu apjomus, ko rada cilvēka smadzeņu difūzās magnētiskās rezonanses (dMRI) skenēšana.
Komandas ReAL-LiFE izmantošana ļāva viņiem analizēt dMRI datus vairāk nekā 150 reizes ātrāk, nekā tas būtu iespējams ar pašreizējām jaunākajām metodēm.
Kā darbojas smadzeņu savienojamības modelis?
Katru sekundi smadzenēs iedegas miljoniem neironu, radot elektriskus impulsus, kas pārvietojas pa neironu tīkliem — zināmiem arī kā “aksoniem” — no vienas smadzeņu daļas uz otru.
Lai smadzenes darbotos kā dators, šie savienojumi ir nepieciešami. Tomēr tradicionālās smadzeņu savienojumu izpētes metodes bieži ietver invazīvu dzīvnieku modeļu izmantošanu.
Tomēr dMRI skenēšana piedāvā neinvazīvu veidu, kā pārbaudīt cilvēka smadzeņu savienojumus.
Smadzeņu informācijas maģistrāles ir kabeļi (aksoni), kas savieno dažādus smadzeņu reģionus. Ūdens molekulas virzās kopā ar aksonu kūļiem visā to garumā, jo tās veidojas kā caurules.
Savienojumu, kas ir detalizēta šķiedru tīkla karte, kas aptver smadzenes, var padarīt iespējamu dMRI, kas ļauj pētniekiem sekot šai kustībai.
Diemžēl šo savienojumu identificēšana nav vienkārša. Skenēšanas dati parāda tikai ūdens molekulu neto plūsmu katrā smadzeņu vietā.
Apsveriet ūdens molekulas kā automašīnas. Neko nezinot par brauktuvēm, vienīgā apkopotā informācija ir automašīnu virziens un ātrums katrā laika un vietā.
Pārraugot šos satiksmes modeļus, uzdevums ir salīdzināms ar ceļu tīklu secināšanu. Lai pareizi identificētu šos tīklus, tradicionālās pieejas cieši saskaņo paredzamo dMRI signālu no secinātā savienojuma ar faktisko dMRI signālu.
Lai veiktu šo optimizāciju, zinātnieki iepriekš izveidoja algoritmu ar nosaukumu LiFE (Linear Fascicle Evaluation), taču viens no tā trūkumiem bija tas, ka tas darbojās ar parastajiem centrālajiem procesoriem (CPU), kas padarīja aprēķinu laikietilpīgu.
Īsta dzīve ir revolucionārs modelis, ko radījuši Indijas pētnieki
Sākotnēji pētnieki izveidoja algoritmu ar nosaukumu LiFE (Linear Fascial Evaluation), lai veiktu šo pielāgošanu, taču viens no tā trūkumiem bija tas, ka tas bija atkarīgs no parastajām centrālās procesora vienībām (CPU), kuru aprēķināšana prasīja laiku.
Sridharan komanda uzlaboja savu tehniku jaunākajā pētījumā, lai samazinātu apstrādes darbu, kas nepieciešams dažādos veidos, tostarp noņemot liekos savienojumus un ievērojami uzlabojot LiFE veiktspēju.
Pētnieki šo tehnoloģiju tālāk pilnveidoja, izstrādājot to darbam ar grafikas apstrādes vienībām (GPU), kas ir specializētas elektriskās mikroshēmas, ko izmanto augstākās klases spēļu datoros.
Tas ļāva viņiem pārbaudīt datus 100–150 reizes ātrāk nekā iepriekšējās pieejas. Tviņa atjauninātais algoritms ReAl-LiFE varētu arī paredzēt, kā cilvēks testa subjekts rīkosies vai veiks noteiktu darbu.
Citiem vārdiem sakot, izmantojot algoritma prognozētās saites stiprās puses katram indivīdam, komanda spēja izskaidrot uzvedības un kognitīvo testu rezultātu atšķirības 200 cilvēku izlasē.
Šādai analīzei var būt arī medicīnisks lietojums. Liela mēroga datu apstrāde kļūst arvien svarīgāka lielo datu neirozinātnes lietojumprogrammām, jo īpaši, lai izprastu veselīgu smadzeņu darbību un smadzeņu darbības traucējumus.
Secinājumi
Visbeidzot, ReAl-LiFE varētu arī paredzēt, kā cilvēks testa subjekts rīkosies vai veiks noteiktu darbu.
Citiem vārdiem sakot, izmantojot algoritma prognozētās saites stiprās puses katram indivīdam, komanda spēja izskaidrot uzvedības un kognitīvo testu rezultātu atšķirības 200 cilvēku izlasē.
Šādai analīzei var būt arī medicīnisks lietojums. Liela mēroga datu apstrāde kļūst arvien svarīgāka lielo datu neirozinātnes lietojumprogrammām, jo īpaši, lai izprastu veselīgu smadzeņu darbību un smadzeņu darbības traucējumus.
Atstāj atbildi