Oamenii de știință pot fi capabili să înțeleagă și să prezică mai bine conexiunile dintre diferitele zone ale creierului datorită unui nou algoritm de învățare automată bazat pe GPU, creat de cercetătorii de la Institutul Indian de Știință (IISc).
Algoritmul, cunoscut sub numele de Evaluare Fasciculă Regularizată, Accelerată, Lineară sau ReAl-LiFE, este capabil să analizeze eficient volumele masive de date produse de scanările imagistice prin rezonanță magnetică de difuzie (dMRI) ale creierului uman.
Utilizarea ReAL-LiFE de către echipe le-a permis să analizeze datele dMRI de peste 150 de ori mai rapid decât ar putea avea cu tehnicile actuale de ultimă generație.
Cum funcționează modelul de conectivitate a creierului?
În fiecare secundă, milioanele de neuroni ai creierului se declanșează, creând impulsuri electrice care se deplasează prin rețele neuronale – cunoscute și sub denumirea de „axoni” – dintr-o parte a creierului în alta.
Pentru ca creierul să funcționeze ca un computer, aceste conexiuni sunt necesare. Cu toate acestea, metodele tradiționale pentru studierea conexiunilor creierului implică adesea utilizarea modelelor animale invazive.
Cu toate acestea, scanările dMRI oferă o modalitate non-invazivă de a examina conexiunile creierului uman.
Autostrăzile informaționale ale creierului sunt cablurile (axonii) care leagă diferitele sale regiuni. Moleculele de apă călătoresc împreună cu fasciculele axonilor de-a lungul lungimii lor într-o manieră direcționată, deoarece sunt formate ca niște tuburi.
Conectomul, care este o hartă detaliată a rețelei de fibre care se întinde pe creier, poate fi posibil prin dMRI, care le permite cercetătorilor să urmărească această mișcare.
Din păcate, identificarea acestor conectoame nu este simplă. Numai fluxul net de molecule de apă în fiecare locație din creier este arătat de datele scanate.
Considerați moleculele de apă ca fiind automobile. Fără a ști nimic despre drumuri, singurele informații colectate sunt direcția și viteza mașinilor în fiecare moment și loc.
Prin monitorizarea acestor modele de trafic, sarcina este comparabilă cu deducerea rețelelor de drumuri. Abordările convenționale potrivesc îndeaproape semnalul dMRI așteptat de la conectomul dedus cu semnalul dMRI real pentru a identifica corect aceste rețele.
Pentru a face această optimizare, oamenii de știință au creat anterior un algoritm numit LiFE (Linear Fascicle Evaluation), dar unul dintre dezavantajele acestuia a fost că funcționează pe unități centrale de procesare (CPU) convenționale, ceea ce a făcut ca calculul să consume mult timp.
Viata reala este un model revoluționar care a fost creat de cercetătorii indieni
Inițial, cercetătorii au creat un algoritm numit LiFE (Linear Fascial Evaluation) pentru a face această ajustare, dar unul dintre dezavantajele sale a fost că depindea de unități centrale de procesare (CPU) obișnuite, care a durat timp pentru a calcula.
Echipa lui Sridharan și-a îmbunătățit tehnica în cel mai nou studiu pentru a minimiza munca de procesare necesară într-o varietate de moduri, inclusiv eliminarea conexiunilor redundante și îmbunătățirea semnificativă a performanței LiFE.
Tehnologia a fost rafinată și mai mult de către cercetători, proiectând-o să funcționeze pe unități de procesare grafică (GPU), care sunt cipuri electrice specializate utilizate în PC-urile de gaming high-end.
Acest lucru le-a permis să examineze datele de 100-150 de ori mai rapid decât abordările anterioare. Talgoritmul său actualizat, ReAl-LiFE, ar putea anticipa, de asemenea, modul în care un subiect de testare uman va acționa sau va face o anumită treabă.
Cu alte cuvinte, folosind punctele forte proiectate ale algoritmului pentru fiecare individ, echipa a reușit să explice variațiile în scorurile testelor comportamentale și cognitive la un eșantion de 200 de indivizi.
O astfel de analiză poate avea și utilizări medicinale.” Prelucrarea datelor la scară largă devine din ce în ce mai importantă pentru aplicațiile de neuroștiință a datelor mari, în special în înțelegerea funcției sănătoase a creierului și a tulburărilor cerebrale.
Concluzie
În concluzie, ReAl-LiFE ar putea anticipa și modul în care un subiect de testare uman va acționa sau va face o anumită treabă.
Cu alte cuvinte, folosind punctele forte proiectate ale algoritmului pentru fiecare individ, echipa a reușit să explice variațiile în scorurile testelor comportamentale și cognitive la un eșantion de 200 de indivizi.
O astfel de analiză poate avea și utilizări medicinale.” Prelucrarea datelor la scară largă devine din ce în ce mai importantă pentru aplicațiile de neuroștiință a datelor mari, în special în înțelegerea funcției sănătoase a creierului și a tulburărilor cerebrale.
Lasă un comentariu