得益于印度科学研究所 (IISc) 的研究人员创建的基于 GPU 的新机器学习算法,科学家们能够更好地理解和预测不同大脑区域之间的联系。
该算法称为正则化、加速、线性分束评估或 ReAl-LiFE,能够有效分析人脑扩散磁共振成像 (dMRI) 扫描产生的大量数据。
团队使用 Real-LiFE 使他们分析 dMRI 数据的速度比当前最先进的技术快 150 倍以上。
大脑连接模型是如何工作的?
每一秒,大脑的数百万个神经元都会放电,产生电脉冲,这些电脉冲通过神经网络(也称为“轴突”)从大脑的一个部分移动到另一个部分。
为了使大脑像计算机一样工作,这些连接是必要的。 然而,研究大脑连接的传统方法通常涉及使用侵入性动物模型。
然而,dMRI 扫描提供了一种检查人脑连接的非侵入性方法。
大脑的信息高速公路是连接其各个区域的电缆(轴突)。 水分子与轴突束一起以定向方式沿其长度行进,因为它们像管一样形成。
连接组是跨越大脑的纤维网络的详细地图,可以通过 dMRI 实现,这使研究人员能够跟踪这种运动。
不幸的是,识别这些连接组并不简单。 扫描数据仅显示大脑每个位置的水分子净流量。
将水分子视为汽车。 在对道路一无所知的情况下,收集的唯一信息是汽车在每个时间点和地点的方向和速度。
通过监控这些交通模式,该任务类似于推断道路网络。 传统方法将来自推断连接组的预期 dMRI 信号与实际 dMRI 信号紧密匹配,以便正确识别这些网络。
为了进行这种优化,科学家们早先创建了一种称为 LiFE(线性分册评估)的算法,但它的一个缺点是它在传统的中央处理器 (CPU) 上运行,这使得计算非常耗时。
现实生活 是由印度研究人员创造的革命性模型
最初,研究人员创建了一种名为 LiFE(线性筋膜评估)的算法来进行这种调整,但它的一个缺点是它依赖于普通的中央处理器(CPU),这需要时间来计算。
Sridharan 的团队在最新研究中改进了他们的技术,以通过多种方式最大限度地减少所需的处理工作,包括移除冗余连接和显着提高 LiFE 的性能。
研究人员进一步改进了这项技术,将其设计用于图形处理单元 (GPU),图形处理单元 (GPU) 是高端游戏 PC 中使用的专用电子芯片。
这使他们能够以比以前的方法快 100-150 倍的速度检查数据。 吨他更新的算法 ReAl-LiFE 还可以预测人类测试对象将如何行动或完成某项工作。
换句话说,使用算法为每个人预测的链接强度,该团队能够解释 200 个人样本中行为和认知测试分数的差异。
这种分析也可以有药用价值。” 大规模数据处理对于大数据神经科学应用变得越来越重要,特别是在了解健康的大脑功能和大脑疾病方面。
结论
总之,ReAl-LiFE 还可以预测人类测试对象将如何行动或完成某项工作。
换句话说,使用算法为每个人预测的链接强度,该团队能够解释 200 个人样本中行为和认知测试分数的差异。
这种分析也可以有药用价值。” 大规模数据处理对于大数据神经科学应用变得越来越重要,特别是在了解健康的大脑功能和大脑疾病方面。
发表评论