Znanstveniki lahko bolje razumejo in napovedujejo povezave med različnimi območji možganov zahvaljujoč novemu algoritmu strojnega učenja, ki temelji na GPU, ki so ga ustvarili raziskovalci na Indijskem inštitutu za znanost (IISc).
Algoritem, znan kot Regularized, Accelerated, Linear Fascicle Evaluation ali ReAl-LiFE, je sposoben učinkovito analizirati ogromne količine podatkov, ki nastanejo s slikanjem z difuzijsko magnetno resonanco (dMRI) človeških možganov.
Uporaba ReAL-LiFE s strani ekipe jim je omogočila analizo podatkov dMRI več kot 150-krat hitreje, kot bi jih lahko storili s trenutnimi najsodobnejšimi tehnikami.
Kako deluje model povezljivosti možganov?
Vsako sekundo se sproži na milijone nevronov v možganih, ki ustvarjajo električne impulze, ki se premikajo prek nevronskih mrež – znanih tudi kot »aksoni« – iz enega dela možganov v drugega.
Da bi možgani delovali kot računalnik, so te povezave potrebne. Vendar tradicionalne metode za preučevanje možganskih povezav pogosto vključujejo uporabo invazivnih živalskih modelov.
Vendar dMRI skeniranje ponuja neinvaziven način za preučevanje povezav človeških možganov.
Informacijske avtoceste v možganih so kabli (aksoni), ki povezujejo njihove različne regije. Molekule vode potujejo skupaj s snopi aksonov vzdolž njihove dolžine usmerjeno, saj so oblikovane kot cevi.
Konektom, ki je podroben zemljevid mreže vlaken, ki zajemajo možgane, lahko omogoči dMRI, ki raziskovalcem omogoča, da sledijo temu gibanju.
Na žalost prepoznavanje teh konektomov ni preprosto. Podatki skeniranja prikazujejo samo neto pretok vodnih molekul na vsaki lokaciji v možganih.
Razmislite o molekulah vode kot o avtomobilih. Ne da bi vedeli karkoli o cestah, so edine zbrane informacije smer in hitrost avtomobilov na vsaki točki v času in kraju.
S spremljanjem teh prometnih vzorcev je naloga primerljiva s sklepanjem o omrežjih cest. Konvencionalni pristopi tesno ujemajo pričakovani signal dMRI iz domnevnega konektoma z dejanskim signalom dMRI, da bi pravilno prepoznali ta omrežja.
Da bi izvedli to optimizacijo, so znanstveniki prej ustvarili algoritem, imenovan LiFE (Linear Fascicle Evaluation), vendar je bila ena od njegovih pomanjkljivosti ta, da je deloval na običajnih centralnih procesnih enotah (CPE), zaradi česar je bilo računanje zamudno.
Resnično življenje je revolucionaren model, ki so ga ustvarili indijski raziskovalci
Sprva so raziskovalci za to prilagoditev ustvarili algoritem, imenovan LiFE (Linear Fascial Evaluation), vendar je bila ena od njegovih pomanjkljivosti ta, da je bil odvisen od običajnih centralnih procesnih enot (CPU), ki so za izračun potrebovali čas.
Sridharanova ekipa je izboljšala svojo tehniko v najnovejši študiji, da bi zmanjšala potrebno obdelavo na različne načine, vključno z odstranitvijo odvečnih povezav in občutnim izboljšanjem zmogljivosti LiFE.
Raziskovalci so to tehnologijo dodatno izpopolnili tako, da so jo zasnovali za delovanje na grafičnih procesnih enotah (GPE), ki so specializirani električni čipi, ki se uporabljajo v vrhunskih igralnih računalnikih.
To jim je omogočilo pregledovanje podatkov 100-150-krat hitreje kot prejšnji pristopi. Tnjegov posodobljeni algoritem ReAl-LiFE bi lahko tudi predvidel, kako bo človeški testni subjekt deloval ali opravil določeno delo.
Z drugimi besedami, z uporabo predvidenih moči povezave algoritma za vsakega posameznika je ekipa lahko razložila razlike v rezultatih vedenjskih in kognitivnih testov med vzorcem 200 posameznikov.
Takšna analiza ima lahko tudi medicinske namene.« Obsežna obdelava podatkov postaja vse bolj pomembna za aplikacije nevroznanosti z velikimi podatki, zlasti pri razumevanju zdravega delovanja možganov in možganskih motenj.
zaključek
Skratka, ReAl-LiFE bi lahko tudi predvidel, kako bo človeški testiranec deloval ali opravil določeno delo.
Z drugimi besedami, z uporabo predvidenih moči povezave algoritma za vsakega posameznika je ekipa lahko razložila razlike v rezultatih vedenjskih in kognitivnih testov med vzorcem 200 posameznikov.
Takšna analiza ima lahko tudi medicinske namene.« Obsežna obdelava podatkov postaja vse bolj pomembna za aplikacije nevroznanosti z velikimi podatki, zlasti pri razumevanju zdravega delovanja možganov in možganskih motenj.
Pustite Odgovori