Spis treści[Ukryć][Pokazać]
Naukowcy mogą lepiej rozumieć i prognozować połączenia między różnymi obszarami mózgu dzięki nowemu algorytmowi uczenia maszynowego opartemu na GPU, stworzonemu przez naukowców z Indian Institute of Science (IISc).
Algorytm, znany jako Regularized, Accelerated, Linear Fascicle Evaluation lub ReAl-LiFE, jest w stanie skutecznie analizować ogromne ilości danych wytwarzanych przez skany ludzkiego mózgu za pomocą dyfuzyjnego rezonansu magnetycznego (dMRI).
Wykorzystanie przez zespół ReAL-LiFE umożliwiło im analizę danych dMRI ponad 150 razy szybciej niż byłoby to możliwe przy użyciu najnowocześniejszych technik.
Jak działa model łączności mózgowej?
W każdej sekundzie miliony neuronów w mózgu uruchamiają się, tworząc impulsy elektryczne, które przemieszczają się za pośrednictwem sieci neuronowych — znanych również jako „aksony” — z jednej części mózgu do drugiej.
Aby mózg mógł funkcjonować jak komputer, te połączenia są niezbędne. Jednak tradycyjne metody badania połączeń mózgowych często obejmują wykorzystanie inwazyjnych modeli zwierzęcych.
Jednak skany dMRI oferują nieinwazyjny sposób badania połączeń ludzkiego mózgu.
Autostrady informacyjne mózgu to kable (aksony), które łączą różne jego regiony. Cząsteczki wody przemieszczają się wraz z wiązkami aksonów wzdłuż ich długości w sposób ukierunkowany, ponieważ są uformowane jak rurki.
Connectom, który jest szczegółową mapą sieci włókien obejmujących mózg, może być możliwy dzięki dMRI, co umożliwia naukowcom śledzenie tego ruchu.
Niestety, identyfikacja tych konektomów nie jest prosta. Dane ze skanów pokazują tylko przepływ netto cząsteczek wody w każdym miejscu w mózgu.
Rozważmy cząsteczki wody jako samochody. Nie wiedząc nic o jezdniach, jedyne zebrane informacje to kierunek i prędkość samochodów w każdym punkcie w czasie i miejscu.
Monitorując te wzorce ruchu, zadanie można porównać do wnioskowania o sieci dróg. Konwencjonalne podejścia ściśle dopasowują oczekiwany sygnał dMRI z wywnioskowanego konektomu do rzeczywistego sygnału dMRI w celu prawidłowej identyfikacji tych sieci.
Aby przeprowadzić tę optymalizację, naukowcy stworzyli wcześniej algorytm o nazwie LiFE (Linear Fascicle Evaluation), ale jedną z jego wad było to, że działał na konwencjonalnych jednostkach centralnych (CPU), co sprawiało, że obliczenia były czasochłonne.
Prawdziwe życie to rewolucyjny model, który został stworzony przez indyjskich badaczy
Początkowo badacze stworzyli algorytm o nazwie LiFE (Linear Fascial Evaluation), aby dokonać tej korekty, ale jedną z jego wad było to, że polegał on na zwykłych jednostkach centralnych (CPU), których obliczenia wymagały czasu.
Zespół Sridharana ulepszył swoją technikę w najnowszym badaniu, aby zminimalizować wymaganą pracę przetwarzania na różne sposoby, w tym usunięcie zbędnych połączeń i znaczną poprawę wydajności LiFE.
Naukowcy udoskonalili tę technologię, wprowadzając ją do pracy z procesorami graficznymi (GPU), które są wyspecjalizowanymi układami elektrycznymi używanymi w wysokiej klasy komputerach do gier.
To pozwoliło im zbadać dane 100-150 razy szybciej niż poprzednie podejścia. Tjego zaktualizowany algorytm, ReAl-LiFE, może również przewidywać, w jaki sposób badany człowiek będzie się zachowywał lub wykonywał określoną pracę.
Innymi słowy, korzystając z przewidywanej siły powiązań algorytmu dla każdej osoby, zespół był w stanie wyjaśnić różnice w wynikach testów behawioralnych i poznawczych wśród próby 200 osób.
Taka analiza może mieć również zastosowanie medyczne”. Przetwarzanie danych na dużą skalę staje się coraz ważniejsze w zastosowaniach neurobiologii big data, szczególnie w zrozumieniu zdrowych funkcji mózgu i zaburzeń mózgu.
Wnioski
Podsumowując, ReAl-LiFE może również przewidywać, w jaki sposób badany człowiek będzie się zachowywał lub wykonywał określoną pracę.
Innymi słowy, korzystając z przewidywanej siły powiązań algorytmu dla każdej osoby, zespół był w stanie wyjaśnić różnice w wynikach testów behawioralnych i poznawczych wśród próby 200 osób.
Taka analiza może mieć również zastosowanie medyczne”. Przetwarzanie danych na dużą skalę staje się coraz ważniejsze w zastosowaniach neurobiologii big data, szczególnie w zrozumieniu zdrowych funkcji mózgu i zaburzeń mózgu.
Dodaj komentarz