Искусственный интеллект для отслеживания нейронов: прорыв в нейронауке

Научные исследования в таких сложных областях, как нейронаука, получают мощный стимул благодаря развитию технологий искусственного интеллекта и машинного обучения. Новое исследование, проведенное учеными из Федеральной политехнической школы Лозанны в Швейцарии и Гарвардского университета в Кембридже, штат Массачусетс, США, демонстрирует, как искусственный интеллект способен продвинуть нейронауку вперед за счет точной идентификации и отслеживания нейронов у живых, движущихся животных.

Роль машинного обучения в современной нейронауке

«Машинное обучение идеально подходит для автоматизации задач сегментации и отслеживания нейронов», — пишут ведущий автор исследования Саханд Джамал Рахи и его соавторы Аравинтан Самуэль, Коринн Джонс, Владислав Сусой, Ариан Дельрок, Ксения Корчагина, Махса Барзегар-Кештели и Кор Франциско Парк.

Когнитивная нейронаука — это междисциплинарная область, объединяющая нейронауку и биологическую психологию, которая изучает нейронные механизмы познания. Для исследования человеческого мозга активно применяются передовые методы визуализации, такие как функциональная магнитно-резонансная томография, электрокортикография, магнитоэнцефалография, оптическая визуализация с использованием спектроскопии в ближней инфракрасной области и позитронно-эмиссионная томография.

Сложности обработки данных визуализации мозга

Эти методы визуализации генерируют сложные многомерные наборы данных, которые требуют тщательной сегментации и отслеживания пикселей для каждого отдельного нейрона. Удивительно, но до недавнего времени этот процесс часто требовал кропотливого и чрезвычайно трудоемкого ручного аннотирования. В сфере искусственного интеллекта аннотирование означает процесс маркировки данных внутри наборов данных для их последующего использования алгоритмами машинного обучения. Сами элементы данных могут быть представлены в виде текста, изображений, видеоматериалов или голосовых записей.

Чтобы значительно ускорить аннотирование сложных данных визуализации мозга, исследователи из Федеральной политехнической школы Лозанны и Гарварда использовали модель сверточной нейронной сети с возможностью выполнения целенаправленного дополнения данных. Это достигается за счет автоматизации создания синтетических аннотаций на основе всего лишь нескольких предварительно созданных вручную пометок. Свою инновационную методику ученые назвали «Targettrack».

«Мы представляем инновации, которые позволяют сверточной нейронной сети минимизировать требуемый объем вручную аннотированных обучающих данных и финальной проверки», — отмечают ученые.

Что такое сверточные нейронные сети?

Сверточные нейронные сети представляют собой глубокие нейронные сети прямого распространения, которые широко используются для классификации изображений в компьютерном зрение, распознавания речи, классификации аудио и сигналов, а также в задачах обработки естественного языка для текстовой классификации.

Практическое применение метода на нематодах

В ходе своего эксперимента ученые использовали общемозговые данные визуализации нематоды Caenorhabditis elegans (круглый червь). Этот микроскопический червь традиционно используется в качестве модельного организма для исследований нейродегенеративных заболеваний, таких как болезнь Альцгеймера, болезнь Паркинсона, болезнь Хантингтона и других патологий. Кроме того, нематоды помогают в изучении ишемии, инсульта, возрастных болезней, митохондриальных нарушений и реакций иммунной системы.

Используя разработанную систему Targettrack, исследователи искусственного интеллекта сообщили о сокращении 200-часовой рутинной задачи по ручному аннотированию 76 нейронов в 10-минутной записи активно движущейся нематоды (с частотой 5 герц) всего до 65 часов. Это демонстрирует впечатляющее улучшение эффективности на 67,5 процента.

По словам ученых, когда сверточная нейронная сеть обучается с использованием комбинации изображений, размеченных вручную и синтетически, потребность в ручной проверке значительно снижается, так как общая надежность алгоритма существенно возрастает.

Исследователи резюмируют:

«За счет сокращения времени, необходимого для ручного аннотирования и вычитывания результатов, наш сквозной рабочий процесс обеспечивает 50-кратное увеличение пропускной способности по сравнению с полностью ручным аннотированием при решении сложных задач визуализации мозга».

Перспективы развития технологий

Подобные технологические прорывы открывают новые горизонты для науки о мозге. Интеграция искусственного интеллекта в биологические и медицинские исследования позволяет ученым сосредоточиться на интерпретации результатов и формулировании новых гипотез, оставляя рутинную работу по обработке массивных массивов данных умным алгоритмам. В будущем это может привести к созданию еще более совершенных инструментов для картирования мозга и лечения сложных неврологических заболеваний.