تکنولوژی

پلتفرم جدید نقشه‌برداری مغز مبتنی بر هوش مصنوعی MIT امیدهایی برای درمان آلزایمر ایجاد کرده است

محققان MIT با توسعه یک محیط یادگیری فعال و ردیابی نورونی به نام NeuroTrALE قدم بزرگی در جهت درک بهتر بیماری آلزایمر برداشته‌اند. این پلتفرم با استفاده از تکنیک‌های یادگیری ماشین و ابرانگاری، پردازش و نمایش داده‌های بزرگ تصویربرداری مغز را بهبود می‌بخشد. با کاهش 90 درصدی زمان محاسباتی و کاهش بار نشانه‌گذاری بر روی کاربران، امیدهای تازه‌ای برای تحقیقات در زمینه بیماری‌های عصبی ایجاد شده است.

در لحظه‌ای چشمگیر برای تحقیقات بیماری آلزایمر، محققان موسسه فناوری ماساچوست (MIT) یک محیط ردیابی نورون و یادگیری فعال (NeuroTrALE) را برای درک بهتر این بیماری توسعه داده‌اند.

بیماری آلزایمر یکی از بسیاری از اختلالات عصبی ناتوان‌کننده است که به طور کلی یک هشتم از جمعیت جهان را تحت تاثیر قرار می‌دهد. در حالی که این داروی جدید یک گام در جهت درست است، هنوز مسیر طولانی برای درک کامل آن و دیگر بیماری‌های مشابه باقی مانده است.

لارس گجستبی، یک عضو فنی و توسعه‌دهنده الگوریتم از گروه سیستم‌های بهداشت و عملکرد انسانی آزمایشگاه لینکلن MIT، می‌گوید: “بازسازی پیچیدگی‌های عملکرد مغز انسان در سطح سلولی یکی از بزرگترین چالش‌ها در علوم اعصاب است.”

گجستبی ادامه داد: “اطلس‌های شبکه‌ای با وضوح بالا می‌توانند بهبود درک ما از اختلالات را با شناسایی تفاوت‌ها بین مغزهای سالم و بیمار کمک کنند. با این حال، پیشرفت‌ها توسط ابزارهای ناکافی برای مشاهده و پردازش datasets تصویربرداری مغز بسیار بزرگ محدود شده است.”

درک اطلس مغز

اطلس مغز شبکه‌ای یک نقشه تفصیلی از مغز است که می‌تواند ارتباط اطلاعات ساختاری با عملکرد عصبی را کمک کند. داده‌های تصویربرداری مغز نیاز به پردازش و نشانه‌گذاری برای ساخت این اطلس‌ها دارند.

برای مثال، هر آکسون، یا فیبر نازک که نورون‌ها را به هم متصل می‌کند، نیاز به ردیابی، اندازه‌گیری و نشانه‌گذاری با اطلاعات دارد.

روش‌های کنونی پردازش داده‌های تصویربرداری مغز، مانند نرم‌افزارهای رومیزی یا ابزارهای دست‌کاری‌شده، هنوز به گونه‌ای طراحی نشده‌اند که بتوانند داده‌های بزرگ‌مقیاس انسانی را پردازش کنند. به همین دلیل، محققان اغلب زمان زیادی را برای پردازش داده‌های خام صرف می‌کنند.

NeuroTrALE یک خط لوله نرم‌افزاری است که یادگیری ماشین، ابرانگاری، سهولت استفاده، و دسترسی به این چالش نقشه‌برداری مغز را به ارمغان می‌آورد.

NeuroTrALE بسیاری از پردازش داده را خودکار می‌کند و نتیجه‌ها را در یک واسط تعاملی نمایش می‌دهد که به محققان امکان ویرایش و دستکاری داده‌ها برای علامت‌گذاری، فیلتر کردن و جستجوی الگوهای خاص را می‌دهد.

تکنیک یادگیری ماشین

یکی از ویژگی‌های متمایز NeuroTrALE تکنیک یادگیری ماشینی است که از آن استفاده می‌کند و یادگیری فعال نام دارد.

الگوریتم‌های NeuroTrALE آموزش داده می‌شوند تا به‌طور خودکار داده‌های ورودی را بر اساس داده‌های تصویربرداری مغز موجود نشانه‌گذاری کنند، اما داده‌های نا‌آشنا می‌توانند احتمال خطا ایجاد کنند. یادگیری فعال به کاربران اجازه می‌دهد خطاها را به صورت دستی اصلاح کنند، آموزش دادن الگوریتم برای بهبود در برخورد با داده‌های مشابه در آینده.

این ترکیب از خودکارسازی و نشانه‌گذاری دستی اطمینان می‌دهد که پردازش داده‌ها با دقت بالا و با بار کاری کوچکتر برای کاربر انجام می‌شود.

مایکل اسنایدر از گروه سیستم‌های پشتیبانی تصمیم‌گیری Homeland می‌گوید: “تصور کنید یک اشعه ایکس از یک توپ نخ را می‌گیرید. شما همه این خطوط متقاطعی و هم‌پوشانی را می‌بینید.”

اسنایدر ادامه داد: “وقتی دو خط با هم تقاطع می‌کنند، آیا به معنی این است که یکی از رشته‌های نخ یک خمیدگی 90 درجه دارد، یا یکی مستقیم به بالا و دیگری مستقیم به جلو می‌رود؟ با یادگیری فعال NeuroTrALE، کاربران می‌توانند این رشته‌های نخ را یکی دو بار ردیابی کنند و الگوریتم را آموزش دهند تا آنها را به‌طور صحیح ردیابی کند. بدون NeuroTrALE، کاربر باید هر بار رشته‌های نخ یا آکسون‌های مغز انسان را ردیابی کند.” اسنایدر به همراه دیوید چاوز، یک عضو دیگر از تیم توسعه نرم‌افزار NeuroTrALE است.

به دلیل اینکه NeuroTrALE بار اصلی نشانه‌گذاری را از دوش کاربر برداشته است، به محققان امکان می‌دهد داده‌های بیشتری را با سرعت بیشتری پردازش کنند.

علاوه بر این، الگوریتم‌های ردیابی آکسون از محاسبات موازی برای توزیع محاسبات در چندین GPU به‌طور همزمان بهره می‌برند، که منجر به پردازش سریع‌تر و قابل مقیاس‌گیری می‌شود.

با استفاده از NeuroTrALE، تیم کاهش 90 درصدی در زمان محاسباتی لازم برای پردازش 32 گیگابایت داده در مقایسه با روش‌های معمولی هوش مصنوعی را نشان داد.

تیم همچنین نشان داد که افزایش قابل توجه حجم داده‌ها به افزایش معادل در زمان پردازش تبدیل نمی‌شود.

توسط
Interesting Engineering
منبع
Interesting Engineering
نمایش بیشتر

اخبار مرتبط

بازگشت به بالا