Вчені можуть краще розуміти та прогнозувати зв’язки між різними ділянками мозку завдяки новому алгоритму машинного навчання на основі GPU, створеному дослідниками з Індійського інституту науки (IISc).
Алгоритм, відомий як регуляризована, прискорена, лінійна оцінка пучка або ReAl-LiFE, здатний ефективно аналізувати величезні обсяги даних, отриманих за допомогою дифузійної магнітно-резонансної томографії (dMRI) сканування людського мозку.
Використання командою ReAL-LiFE дозволило їм аналізувати дані dMRI більш ніж у 150 разів швидше, ніж вони могли б отримати за допомогою сучасних найсучасніших методів.
Як працює модель підключення мозку?
Щосекунди мільйони нейронів мозку спрацьовують, створюючи електричні імпульси, які переміщуються через нейронні мережі, також відомі як «аксони», від однієї частини мозку до іншої.
Щоб мозок працював як комп’ютер, ці зв’язки необхідні. Однак традиційні методи вивчення зв’язків мозку часто передбачають використання інвазивних тваринних моделей.
Однак сканування dMRI пропонує неінвазивний спосіб дослідження зв’язків людського мозку.
Інформаційними магістралями мозку є кабелі (аксони), які з’єднують його різні області. Молекули води рухаються разом із пучками аксонів уздовж їхньої довжини спрямованим чином, оскільки вони сформовані як трубки.
Коннектом, який є детальною картою мережі волокон, що охоплюють мозок, може стати можливим завдяки dMRI, що дозволяє дослідникам стежити за цим рухом.
На жаль, визначити ці коннектоми непросто. Дані сканування показують лише чистий потік молекул води в кожному місці мозку.
Розглянемо молекули води як автомобілі. Не знаючи нічого про дороги, єдина зібрана інформація – це напрямок і швидкість автомобілів у кожній точці часу та місця.
Завдання моніторингу цих схем руху можна порівняти з визначенням мереж доріг. Звичайні підходи точно збігають очікуваний сигнал dMRI від передбачуваного коннектома з фактичним сигналом dMRI, щоб правильно ідентифікувати ці мережі.
Для оптимізації вчені раніше створили алгоритм під назвою LiFE (Linear Fascicle Evaluation), але одним із його недоліків було те, що він працював на звичайних центральних процесорах (CPU), що робило обчислення трудомісткими.
Справжнє життя це революційна модель, створена індійськими дослідниками
Спочатку дослідники створили алгоритм під назвою LiFE (Linear Fascial Evaluation), щоб виконати цю коригування, але одним із його недоліків було те, що він залежав від звичайних центральних процесорів (CPU), для обчислення яких потрібен час.
Команда Sridharan удосконалила свою техніку в останньому дослідженні, щоб мінімізувати необхідну роботу з обробки різними способами, включаючи видалення зайвих з’єднань і значне підвищення продуктивності LiFE.
Дослідники вдосконалили цю технологію, спроектувавши її для роботи з графічними процесорами (GPU), які є спеціалізованими електричними чіпами, що використовуються в високоякісних ігрових ПК.
Це дозволило досліджувати дані в 100-150 разів швидше, ніж попередні підходи. Тйого оновлений алгоритм ReAl-LiFE також міг передбачати, як піддослідна людина діятиме або виконуватиме певну роботу.
Іншими словами, використовуючи передбачувану алгоритмом силу зв’язку для кожної людини, команда змогла пояснити відмінності в результатах поведінкових і когнітивних тестів серед вибірки з 200 осіб.
Такий аналіз також може використовуватися в медицині». Обробка великомасштабних даних стає все більш важливою для додатків нейронауки з великими даними, особливо для розуміння здорової роботи мозку та розладів мозку.
Висновок
Підсумовуючи, ReAl-LiFE також може передбачити, як піддослідна людина діятиме або виконуватиме певну роботу.
Іншими словами, використовуючи передбачувану алгоритмом силу зв’язку для кожної людини, команда змогла пояснити відмінності в результатах поведінкових і когнітивних тестів серед вибірки з 200 осіб.
Такий аналіз також може використовуватися в медицині». Обробка великомасштабних даних стає все більш важливою для додатків нейронауки з великими даними, особливо для розуміння здорової роботи мозку та розладів мозку.
залишити коментар