Inhoudsopgave[Zich verstoppen][Laten zien]
Wetenschappers kunnen verbindingen tussen verschillende hersengebieden beter begrijpen en voorspellen dankzij een nieuw op GPU gebaseerd algoritme voor machinaal leren, gemaakt door onderzoekers van het Indian Institute of Science (IISc).
Het algoritme, bekend als Regularized, Accelerated, Linear Fascicle Evaluation of ReAl-LiFE, is in staat om op efficiënte wijze de enorme hoeveelheden gegevens te analyseren die worden geproduceerd door diffusie magnetische resonantie beeldvorming (dMRI) scans van het menselijk brein.
Door het gebruik van ReAL-LiFE kon het team dMRI-gegevens meer dan 150 keer sneller analyseren dan met de huidige geavanceerde technieken.
Hoe werkt het hersenconnectiviteitsmodel?
Elke seconde vuren de miljoenen neuronen van de hersenen af, waardoor elektrische pulsen worden gecreëerd die via neurale netwerken - ook wel 'axons' genoemd - van het ene deel van de hersenen naar het andere gaan.
Om de hersenen als een computer te laten functioneren, zijn deze verbindingen noodzakelijk. Traditionele methoden voor het bestuderen van hersenverbindingen omvatten echter vaak het gebruik van invasieve diermodellen.
dMRI-scans bieden echter een niet-invasieve manier om menselijke hersenverbindingen te onderzoeken.
De informatiesnelwegen van de hersenen zijn de kabels (axons) die de verschillende regio's met elkaar verbinden. Watermoleculen reizen samen met axonbundels langs hun lengte op een gerichte manier omdat ze zijn gevormd als buizen.
Het connectoom, een gedetailleerde kaart van het netwerk van vezels dat de hersenen omspant, kan mogelijk worden gemaakt door dMRI, waarmee onderzoekers deze beweging kunnen volgen.
Helaas is het identificeren van deze connectomen niet eenvoudig. Alleen de netto stroom van watermoleculen op elke locatie in de hersenen wordt weergegeven door de scangegevens.
Beschouw de watermoleculen als auto's. Zonder iets te weten over de wegen, is de enige verzamelde informatie de richting en snelheid van de auto's op elk tijdstip en elke plaats.
Door deze verkeerspatronen te monitoren, is de taak vergelijkbaar met het afleiden van wegennetwerken. Conventionele benaderingen komen nauw overeen met het verwachte dMRI-signaal van het afgeleide connectoom met het daadwerkelijke dMRI-signaal om deze netwerken correct te identificeren.
Om deze optimalisatie uit te voeren, creëerden wetenschappers eerder een algoritme genaamd LiFE (Linear Fascicle Evaluation), maar een van de nadelen was dat het werkte op conventionele Central Processing Units (CPU's), waardoor de berekening tijdrovend was.
Echte leven is een revolutionair model dat is gemaakt door Indiase onderzoekers
Aanvankelijk creëerden onderzoekers een algoritme genaamd LiFE (Linear Fascial Evaluation) om deze aanpassing uit te voeren, maar een van de nadelen was dat het afhankelijk was van gewone Central Processing Units (CPU's), wat tijd kostte om te berekenen.
Het team van Sridharan verbeterde hun techniek in de nieuwste studie om het vereiste verwerkingswerk op verschillende manieren te minimaliseren, waaronder het verwijderen van overbodige verbindingen en het aanzienlijk verbeteren van de prestaties van LiFE.
De technologie werd door de onderzoekers verder verfijnd door deze zo te ontwikkelen dat deze werkt op grafische verwerkingseenheden (GPU's), dit zijn gespecialiseerde elektrische chips die worden gebruikt in geavanceerde gaming-pc's.
Hierdoor konden ze gegevens 100-150 keer sneller onderzoeken dan eerdere benaderingen. Tzijn bijgewerkte algoritme, ReAl-LiFE, zou ook kunnen anticiperen op hoe een menselijke proefpersoon zich zal gedragen of een bepaalde taak zal uitvoeren.
Met andere woorden, met behulp van de geprojecteerde linksterktes van het algoritme voor elk individu, kon het team verschillen in gedrags- en cognitieve testscores verklaren bij een steekproef van 200 individuen.
Een dergelijke analyse kan ook medicinale toepassingen hebben.” Grootschalige gegevensverwerking wordt steeds belangrijker voor big data-neurowetenschappelijke toepassingen, met name voor het begrijpen van een gezonde hersenfunctie en hersenaandoeningen.
Conclusie
Tot slot zou ReAl-LiFE ook kunnen anticiperen op hoe een menselijke proefpersoon zich zal gedragen of een bepaalde taak zal uitvoeren.
Met andere woorden, met behulp van de geprojecteerde linksterktes van het algoritme voor elk individu, kon het team verschillen in gedrags- en cognitieve testscores verklaren bij een steekproef van 200 individuen.
Een dergelijke analyse kan ook medicinale toepassingen hebben.” Grootschalige gegevensverwerking wordt steeds belangrijker voor big data-neurowetenschappelijke toepassingen, met name voor het begrijpen van een gezonde hersenfunctie en hersenaandoeningen.
Laat een reactie achter