Các nhà khoa học có thể hiểu và dự báo tốt hơn các kết nối giữa các vùng não khác nhau nhờ vào một thuật toán học máy dựa trên GPU mới do các nhà nghiên cứu tại Viện Khoa học Ấn Độ (IISc) tạo ra.
Thuật toán, được gọi là Đánh giá tuyến tính, Tăng tốc, Đánh giá tuyến tính hoặc ReAl-LiFE, có khả năng phân tích hiệu quả khối lượng dữ liệu khổng lồ được tạo ra bằng cách quét hình ảnh cộng hưởng từ khuếch tán (dMRI) của não người.
Việc sử dụng ReAL-LiFE của nhóm cho phép họ phân tích dữ liệu dMRI nhanh hơn 150 lần so với những kỹ thuật hiện đại nhất mà họ có thể làm được.
Mô hình kết nối não hoạt động như thế nào?
Mỗi giây, hàng triệu tế bào thần kinh của não kích hoạt, tạo ra các xung điện di chuyển qua mạng lưới thần kinh - còn được gọi là “sợi trục” - từ phần này sang phần khác của não.
Để não hoạt động như một máy tính, những kết nối này là cần thiết. Tuy nhiên, các phương pháp truyền thống để nghiên cứu kết nối não bộ thường liên quan đến việc sử dụng các mô hình động vật xâm lấn.
Tuy nhiên, quét dMRI cung cấp một cách không xâm lấn để kiểm tra các kết nối não bộ của con người.
Các đường cao tốc thông tin của não là những sợi cáp (sợi trục) liên kết các vùng khác nhau của nó. Các phân tử nước di chuyển cùng với các bó sợi trục dọc theo chiều dài của chúng một cách có định hướng vì chúng được hình thành giống như các ống.
Hệ thống kết nối, là một bản đồ chi tiết của mạng lưới các sợi bao quanh não, có thể được tạo ra nhờ dMRI, cho phép các nhà nghiên cứu theo dõi chuyển động này.
Thật không may, việc xác định các kết nối này không đơn giản. Chỉ có dòng chảy ròng của các phân tử nước tại mỗi vị trí trong não được hiển thị bằng dữ liệu quét.
Hãy coi các phân tử nước như những chiếc ô tô. Không biết gì về đường xá, thông tin duy nhất thu thập được là hướng và tốc độ của xe ô tô tại mỗi thời điểm và địa điểm.
Bằng cách giám sát các mô hình giao thông này, nhiệm vụ có thể so sánh với việc suy ra mạng lưới đường bộ. Các phương pháp tiếp cận thông thường khớp chặt chẽ tín hiệu dMRI mong đợi từ kết nối suy ra với tín hiệu dMRI thực tế để xác định chính xác các mạng này.
Để thực hiện tối ưu hóa này, các nhà khoa học trước đó đã tạo ra một thuật toán gọi là LiFE (Đánh giá Fascicle tuyến tính), nhưng một trong những hạn chế của nó là nó hoạt động trên các Bộ xử lý trung tâm thông thường (CPU), khiến việc tính toán tốn nhiều thời gian.
Đời thực là một mô hình mang tính cách mạng được tạo ra bởi các nhà nghiên cứu Ấn Độ
Ban đầu, các nhà nghiên cứu đã tạo ra một thuật toán gọi là LiFE (Đánh giá Fascial tuyến tính) để thực hiện điều chỉnh này, nhưng một trong những nhược điểm của nó là nó phụ thuộc vào các Đơn vị Xử lý Trung tâm (CPU) thông thường, cần nhiều thời gian để tính toán.
Nhóm của Sridharan đã cải tiến kỹ thuật của họ trong nghiên cứu mới nhất để giảm thiểu công việc xử lý cần thiết theo nhiều cách khác nhau, bao gồm loại bỏ các kết nối dư thừa và cải thiện đáng kể hiệu suất của LiFE.
Các nhà nghiên cứu đã cải tiến công nghệ này bằng cách thiết kế nó hoạt động trên các Bộ xử lý đồ họa (GPU), là những chip điện chuyên dụng được sử dụng trong các PC chơi game cao cấp.
Điều này cho phép họ kiểm tra dữ liệu nhanh hơn 100-150 lần so với các cách tiếp cận trước đây. Tthuật toán cập nhật của ông, ReAl-LiFE, cũng có thể dự đoán cách một đối tượng thử nghiệm là con người sẽ hành động hoặc thực hiện một công việc nhất định.
Nói cách khác, bằng cách sử dụng các điểm mạnh liên kết dự kiến của thuật toán cho từng cá nhân, nhóm nghiên cứu có thể giải thích sự khác biệt về điểm kiểm tra hành vi và nhận thức giữa một mẫu 200 cá nhân.
Phân tích như vậy cũng có thể có công dụng chữa bệnh ”. Xử lý dữ liệu quy mô lớn ngày càng trở nên quan trọng đối với các ứng dụng khoa học thần kinh dữ liệu lớn, đặc biệt trong việc tìm hiểu chức năng não khỏe mạnh và các rối loạn não.
Kết luận
Tóm lại, ReAl-LiFE cũng có thể dự đoán cách một đối tượng thử nghiệm là con người sẽ hành động hoặc thực hiện một công việc nhất định.
Nói cách khác, bằng cách sử dụng các điểm mạnh liên kết dự kiến của thuật toán cho từng cá nhân, nhóm nghiên cứu có thể giải thích sự khác biệt về điểm kiểm tra hành vi và nhận thức giữa một mẫu 200 cá nhân.
Phân tích như vậy cũng có thể có công dụng chữa bệnh ”. Xử lý dữ liệu quy mô lớn ngày càng trở nên quan trọng đối với các ứng dụng khoa học thần kinh dữ liệu lớn, đặc biệt trong việc tìm hiểu chức năng não khỏe mạnh và các rối loạn não.
Bình luận