İçindekiler[Saklamak][Göstermek]
Bilim adamları, Hindistan Bilim Enstitüsü'ndeki (IISc) araştırmacılar tarafından oluşturulan yeni bir GPU tabanlı makine öğrenme algoritması sayesinde çeşitli beyin alanları arasındaki bağlantıları daha iyi anlayabilir ve tahmin edebilir.
Düzenlileştirilmiş, Hızlandırılmış, Doğrusal Fasikül Değerlendirmesi veya ReAl-LiFE olarak bilinen algoritma, insan beyninin difüzyon manyetik rezonans görüntüleme (dMRI) taramaları tarafından üretilen büyük hacimli verileri verimli bir şekilde analiz etme yeteneğine sahiptir.
Ekibin ReAL-LIFE kullanımı, dMRI verilerini mevcut en son tekniklerle yapabileceklerinden 150 kat daha hızlı analiz etmelerini sağladı.
Beyin bağlantı modeli nasıl çalışır?
Her saniye, beynin milyonlarca nöronu ateşlenir ve "aksonlar" olarak da bilinen sinir ağları aracılığıyla beynin bir bölümünden diğerine hareket eden elektrik darbeleri oluşturur.
Beynin bir bilgisayar gibi çalışması için bu bağlantılar gereklidir. Bununla birlikte, beyin bağlantılarını incelemek için geleneksel yöntemler genellikle istilacı hayvan modellerini kullanmayı içerir.
Bununla birlikte, dMRI taramaları, insan beyni bağlantılarını incelemek için invaziv olmayan bir yol sunar.
Beynin bilgi yolları, beynin çeşitli bölgelerini birbirine bağlayan kablolardır (aksonlar). Su molekülleri, tüpler şeklinde oluştukları için, uzunlukları boyunca akson demetleri ile birlikte yönlendirilmiş bir şekilde hareket ederler.
Beyni kapsayan lif ağının ayrıntılı bir haritası olan konektom, araştırmacıların bu hareketi takip etmesini sağlayan dMRI ile mümkün olabilir.
Ne yazık ki, bu bağlantıların tanımlanması basit değildir. Sadece beyindeki her bir konumdaki su moleküllerinin net akışı, taramaların verileriyle gösterilir.
Su moleküllerini otomobiller olarak düşünün. Yollar hakkında hiçbir şey bilmeden toplanan tek bilgi, zaman ve yerdeki her noktada araçların yönü ve hızıdır.
Bu trafik modellerini izleyerek, görev, yol ağlarının çıkarılmasıyla karşılaştırılabilir. Geleneksel yaklaşımlar, bu ağları doğru bir şekilde tanımlamak için çıkarsanan bağlantıdan beklenen dMRI sinyalini gerçek dMRI sinyaliyle yakından eşleştirir.
Bu optimizasyonu yapmak için bilim adamları daha önce LiFE (Linear Facicle Assessment) adlı bir algoritma oluşturdular, ancak dezavantajlarından biri, hesaplamayı zaman alıcı hale getiren geleneksel Merkezi İşlem Birimleri (CPU'lar) üzerinde çalışmasıydı.
Gerçek hayat Hintli araştırmacılar tarafından yaratılmış devrim niteliğinde bir modeldir.
Başlangıçta araştırmacılar bu ayarlamayı yapmak için LiFE (Linear Fascial Assessment) adlı bir algoritma oluşturdular, ancak dezavantajlarından biri, hesaplanması zaman alan sıradan Merkezi İşlem Birimlerine (CPU'lar) bağlı olmasıydı.
Sridharan'ın ekibi, gereksiz bağlantıları kaldırmak ve LiFE'nin performansını önemli ölçüde artırmak da dahil olmak üzere çeşitli şekillerde gereken işleme işini en aza indirmek için en yeni çalışmada tekniklerini geliştirdi.
Teknoloji, ileri teknoloji oyun bilgisayarlarında kullanılan özel elektrik yongaları olan Grafik İşlem Birimleri (GPU'lar) üzerinde çalışacak şekilde tasarlanarak araştırmacılar tarafından daha da geliştirildi.
Bu, önceki yaklaşımlardan 100-150 kat daha hızlı verileri incelemelerine izin verdi. Tonun güncellenmiş algoritması ReAl-LiFE, bir insan test deneğinin nasıl hareket edeceğini veya belirli bir işi nasıl yapacağını da tahmin edebilir.
Başka bir deyişle, ekip, algoritmanın her bir birey için öngörülen bağlantı gücünü kullanarak, 200 kişiden oluşan bir örneklemde davranışsal ve bilişsel test puanlarındaki farklılıkları açıklayabildi.
Bu tür analizlerin tıbbi kullanımları da olabilir.” Büyük ölçekli veri işleme, özellikle sağlıklı beyin fonksiyonlarını ve beyin bozukluklarını anlamada, büyük veri nörobilim uygulamaları için giderek daha önemli hale geliyor.
Sonuç
Sonuç olarak, ReAl-LiFE ayrıca bir insan test deneğinin nasıl hareket edeceğini veya belirli bir işi yapacağını da tahmin edebilir.
Başka bir deyişle, ekip, algoritmanın her bir birey için öngörülen bağlantı gücünü kullanarak, 200 kişiden oluşan bir örneklemde davranışsal ve bilişsel test puanlarındaki farklılıkları açıklayabildi.
Bu tür analizlerin tıbbi kullanımları da olabilir.” Büyük ölçekli veri işleme, özellikle sağlıklı beyin fonksiyonlarını ve beyin bozukluklarını anlamada, büyük veri nörobilim uygulamaları için giderek daha önemli hale geliyor.
Yorum bırak