Новый алгоритм машинного обучения на основе графического процессора, разработанный исследователями из Индийского института науки (IISc), может помочь ученым лучше понять и предсказать связи между различными областями мозга.
Алгоритм, называемый регуляризованной, ускоренной, линейной фазикулярной оценкой или ReAl-LiFE, может быстро анализировать огромные объемы данных, полученных при диффузионной магнитно-резонансной томографии (dMRI) сканирования человеческого мозга. Используя ReAL-LiFE, команда смогла оценить данные dMRI более чем в 150 раз быстрее, чем существующие современные алгоритмы.
«Задачи, которые раньше выполнялись от нескольких часов до нескольких дней, могут быть выполнены за секунды или минуты», — говорит Девараджан Шридхаран, доцент Центра неврологии (CNS), IISc и автор исследования, опубликованного в журнале Nature Computational Science.
Каждую секунду в мозгу активируются миллионы нейронов, генерируя электрические импульсы, которые перемещаются по нейронным сетям из одной точки мозга в другую по соединительным кабелям или « аксонам ». Эти соединения необходимы для вычислений, которые выполняет мозг. «Понимание связей мозга имеет решающее значение для выявления взаимосвязей между мозгом и поведением в масштабе», — говорит Варша Шринивасан, доктор философии. студент CNS и первый автор исследования. Однако традиционные подходы к изучению связей мозга обычно используют модели животных и являются инвазивными. С другой стороны, сканирование dMRI обеспечивает неинвазивный метод изучения связей мозга у людей.
Кабели (аксоны), соединяющие разные области мозга, являются его информационными магистралями. Поскольку пучки аксонов имеют форму трубок, молекулы воды движутся через них по их длине направленным образом. dMRI позволяет ученым отслеживать это движение, чтобы создать полную карту сети волокон в мозгу, называемую коннектомом.
К сожалению, точно определить эти коннектомы непросто. Данные, полученные при сканировании, показывают только чистый поток молекул воды в каждой точке мозга. «Представьте, что молекулы воды — это автомобили. Полученная информация — это направление и скорость транспортных средств в каждой точке пространства и времени без информации о дорогах. Наша задача аналогична выводу сетей дорог путем наблюдения за этими схемами движения», — объясняет Шридхаран.
Чтобы точно идентифицировать эти сети, обычные алгоритмы точно сопоставляют предсказанный сигнал dMRI от предполагаемого коннектома с наблюдаемым сигналом dMRI. Ученые ранее разработали алгоритм под названием LiFE (Linear Fascicle Evaluation) для проведения этой оптимизации, но одна из его проблем заключалась в том, что он работал на традиционных центральных процессорах (ЦП), что делало вычисления трудоемкими.
В новом исследовании команда Шридхарана настроила свой алгоритм, чтобы сократить вычислительные затраты несколькими способами, включая удаление избыточных соединений, тем самым значительно улучшив производительность LiFE. Чтобы еще больше ускорить алгоритм, команда также переработала его для работы со специализированными электронными чипами — такими, которые используются в высокопроизводительных игровых компьютерах — называемыми графическими процессорами (GPU), которые помогли им анализировать данные со скоростью в 100–150 раз быстрее, чем предыдущие подходы.
Этот усовершенствованный алгоритм, ReAl-LiFE, также смог предсказать, как испытуемый будет вести себя или выполнять определенную задачу. Другими словами, используя силу связи, оцененную алгоритмом для каждого человека, команда смогла объяснить различия в результатах поведенческих и когнитивных тестов в группе из 200 участников.
Такой анализ может иметь и медицинское применение. «Обработка данных в больших масштабах становится все более необходимой для нейробиологических приложений с большими данными, особенно для понимания нормальной работы мозга и его патологии», — говорит Шринивасан.
Например, используя полученные коннектомы, команда надеется выявить ранние признаки старения или ухудшения работы мозга до того, как они проявятся в поведении пациентов с болезнью Альцгеймера. «В другом исследовании мы обнаружили, что предыдущая версия ReAL-LiFE могла лучше других конкурирующих алгоритмов отличать пациентов с болезнью Альцгеймера от здоровых людей», — говорит Сридхаран. Он добавляет, что их реализация на основе графического процессора является очень общей и может использоваться для решения задач оптимизации во многих других областях.
