นักวิทยาศาสตร์สามารถเข้าใจและคาดการณ์การเชื่อมต่อระหว่างพื้นที่สมองต่างๆ ได้ดีขึ้นด้วยอัลกอริธึมการเรียนรู้ด้วยเครื่องที่ใช้ GPU แบบใหม่ที่สร้างขึ้นโดยนักวิจัยจากสถาบันวิทยาศาสตร์แห่งอินเดีย (IISc)
อัลกอริธึมที่เรียกว่า Regularized, Accelerated, Linear Fascicle Evaluation หรือ ReAl-LiFE สามารถวิเคราะห์ข้อมูลปริมาณมหาศาลที่สร้างโดยการสแกนภาพด้วยคลื่นสนามแม่เหล็ก (dMRI) ของสมองมนุษย์ได้อย่างมีประสิทธิภาพ
การใช้ ReAL-LiFE ของทีมช่วยให้พวกเขาสามารถวิเคราะห์ข้อมูล dMRI ได้เร็วกว่า 150 เท่าเร็วกว่าที่พวกเขาสามารถทำได้ด้วยเทคนิคที่ล้ำสมัยในปัจจุบัน
โมเดลการเชื่อมต่อของสมองทำงานอย่างไร
ทุกๆ วินาที เซลล์ประสาทจำนวนหลายล้านเซลล์ของสมองจะสร้างคลื่นไฟฟ้าที่เคลื่อนที่ผ่านโครงข่ายประสาท หรือที่เรียกว่า “ซอน” จากสมองส่วนหนึ่งไปยังอีกส่วนหนึ่ง
เพื่อให้สมองทำงานเหมือนคอมพิวเตอร์ การเชื่อมต่อเหล่านี้มีความจำเป็น อย่างไรก็ตาม วิธีการดั้งเดิมในการศึกษาการเชื่อมต่อของสมองมักเกี่ยวข้องกับการใช้แบบจำลองสัตว์ที่รุกราน
อย่างไรก็ตาม การสแกนด้วย dMRI เป็นวิธีที่ไม่รุกรานเพื่อตรวจสอบการเชื่อมต่อของสมองของมนุษย์
ทางหลวงข้อมูลของสมองคือสายเคเบิล (ซอน) ที่เชื่อมโยงภูมิภาคต่างๆ โมเลกุลของน้ำเดินทางไปพร้อมกับการรวมกลุ่มของแอกซอนตามความยาวของพวกมันในลักษณะชี้นำเนื่องจากก่อตัวเป็นหลอด
คอนเนกโตมซึ่งเป็นแผนที่โดยละเอียดของเครือข่ายเส้นใยที่ทอดข้ามสมอง สามารถทำได้โดย dMRI ซึ่งช่วยให้นักวิจัยสามารถติดตามการเคลื่อนไหวนี้ได้
น่าเสียดายที่การระบุคอนเนกโตมเหล่านี้ไม่ใช่เรื่องง่าย เฉพาะการไหลของโมเลกุลของน้ำในแต่ละตำแหน่งในสมองเท่านั้นที่แสดงโดยข้อมูลการสแกน
พิจารณาโมเลกุลของน้ำเป็นรถยนต์ โดยไม่รู้อะไรเลยเกี่ยวกับถนน ข้อมูลที่รวบรวมได้เพียงอย่างเดียวคือทิศทางและความเร็วของรถในแต่ละจุดในเวลาและสถานที่
โดยการตรวจสอบรูปแบบการจราจรเหล่านี้ งานนี้เปรียบได้กับการอนุมานเครือข่ายของถนน วิธีการแบบทั่วไปใกล้เคียงกับสัญญาณ dMRI ที่คาดไว้จากคอนเน็กโทมที่อนุมานกับสัญญาณ dMRI จริงเพื่อระบุเครือข่ายเหล่านี้ได้อย่างถูกต้อง
ในการเพิ่มประสิทธิภาพนี้ นักวิทยาศาสตร์ได้สร้างอัลกอริธึมที่เรียกว่า LiFE (Linear Fascicle Evaluation) ขึ้นก่อนหน้านี้ แต่มีข้อเสียอย่างหนึ่งคือมันทำงานบนหน่วยประมวลผลกลาง (CPU) แบบเดิม ซึ่งทำให้การคำนวณใช้เวลานาน
ชีวิตจริง เป็นแบบจำลองการปฏิวัติที่สร้างขึ้นโดยนักวิจัยชาวอินเดีย
ในขั้นต้น นักวิจัยได้สร้างอัลกอริธึมที่เรียกว่า LiFE (Linear Fascial Evaluation) เพื่อทำการปรับเปลี่ยนนี้ แต่ข้อเสียประการหนึ่งคือต้องอาศัยหน่วยประมวลผลกลาง (CPU) ทั่วไปซึ่งใช้เวลาในการคำนวณ
ทีมของ Sridharan ได้ปรับปรุงเทคนิคของพวกเขาในการศึกษาล่าสุดเพื่อลดงานการประมวลผลที่จำเป็นในหลากหลายวิธี รวมถึงลบการเชื่อมต่อที่ซ้ำซ้อนและปรับปรุงประสิทธิภาพของ LiFE อย่างมีนัยสำคัญ
เทคโนโลยีนี้ได้รับการปรับปรุงเพิ่มเติมโดยนักวิจัยโดยวิศวกรรมให้ทำงานกับหน่วยประมวลผลกราฟิก (GPU) ซึ่งเป็นชิปไฟฟ้าเฉพาะที่ใช้ในพีซีเกมระดับไฮเอนด์
ทำให้สามารถตรวจสอบข้อมูลได้เร็วกว่าวิธีก่อนหน้านี้ 100-150 เท่า ตู่อัลกอริธึมที่อัปเดตของเขา ReAl-LiFE ยังสามารถคาดการณ์ได้ว่าผู้ถูกทดสอบในมนุษย์จะกระทำหรือทำงานบางอย่างอย่างไร
กล่าวอีกนัยหนึ่งโดยใช้จุดแข็งของลิงก์ที่คาดการณ์ไว้ของอัลกอริทึมสำหรับแต่ละบุคคล ทีมงานสามารถอธิบายความแปรปรวนในคะแนนการทดสอบพฤติกรรมและความรู้ความเข้าใจในกลุ่มตัวอย่าง 200 คน
การวิเคราะห์ดังกล่าวสามารถใช้ทางการแพทย์ได้เช่นกัน” การประมวลผลข้อมูลขนาดใหญ่มีความสำคัญมากขึ้นเรื่อยๆ สำหรับการใช้งานด้านประสาทวิทยาศาสตร์บิ๊กดาต้า โดยเฉพาะอย่างยิ่งในการทำความเข้าใจการทำงานของสมองที่แข็งแรงและความผิดปกติของสมอง
สรุป
โดยสรุปแล้ว ReAl-LiFE ยังสามารถคาดการณ์ได้ว่าผู้ถูกทดสอบในมนุษย์จะทำหน้าที่หรือทำงานบางอย่างอย่างไร
กล่าวอีกนัยหนึ่งโดยใช้จุดแข็งของลิงก์ที่คาดการณ์ไว้ของอัลกอริทึมสำหรับแต่ละบุคคล ทีมงานสามารถอธิบายความแปรปรวนในคะแนนการทดสอบพฤติกรรมและความรู้ความเข้าใจในกลุ่มตัวอย่าง 200 คน
การวิเคราะห์ดังกล่าวสามารถใช้ทางการแพทย์ได้เช่นกัน” การประมวลผลข้อมูลขนาดใหญ่มีความสำคัญมากขึ้นเรื่อยๆ สำหรับการใช้งานด้านประสาทวิทยาศาสตร์บิ๊กดาต้า โดยเฉพาะอย่างยิ่งในการทำความเข้าใจการทำงานของสมองที่แข็งแรงและความผิดปกติของสมอง
เขียนความเห็น