هوش مصنوعی کلاف سردرگم مغز انسان را باز می‌کند/ امکان نقشه‌برداری دقیق از مغز

آینده جهان با هوش مصنوعی (۱۹۰)؛

به گزارش خبرگزاری علم و فناوری پیشتاز به نقل از ام آی تی نیوز، ابزار نرم افزاری «نوروترِل» (NeuroTrALE) برای پردازش سریع و کارآمد مقادیر زیادی از داده‌های تصویربرداری مغز به صورت نیمه خودکار طراحی شده است.  

در اواخر سال ۲۰۲۳، اولین دارو با پتانسیل کاهش پیشرفت بیماری آلزایمر توسط اداره داروی فدرال ایالات متحده تایید شد. آلزایمر یکی از اختلالات عصبی ناتوان کننده است که روی هم یک هشتم جمعیت جهان را تحت تاثیر قرار می‌دهد، و در حالی که داروی جدید گامی در مسیر درست است، هنوز سفری طولانی برای درک کامل آن و سایر بیماری‌هایی از این دست وجود دارد.

لارس گستبی، یکی از اعضای کادر فنی و توسعه‌دهنده الگوریتم از گروه سیستم‌های عملکرد و سلامت انسان آزمایشگاه لینکلن ام آی تی، می‌گوید: «بازسازی پیچیدگی‌های نحوه عملکرد مغز انسان در سطح سلولی یکی از بزرگترین چالش‌های علوم اعصاب است. اطلس‌های مغزی شبکه‌ای با وضوح بالا می‌توانند تفاوت‌های مغز سالم و بیمار را مشخص کرده و به بهبود درک ما از اختلالات کمک کنند. با این حال، ابزار‌های ناکافی برای تجسم و پردازش مجموعه داده‌های تصویربرداری بسیار بزرگ مغز مانع از پیشرفت می‌شوند.

یک اطلس مغز شبکه‌ای در اصل یک نقشه دقیق از مغز است که می‌تواند به پیوند اطلاعات ساختاری با عملکرد عصبی کمک کند. برای ساخت چنین اطلس هایی، داده‌های تصویربرداری مغز باید پردازش و حاشیه نویسی شوند. به عنوان مثال، هرآکسون یا فیبر نازک متصل کننده نورون‌ها باید ردیابی، اندازه گیری و با اطلاعات برچسب گذاری شود. روش‌های کنونی پردازش داده‌های تصویربرداری مغز، مانند نرم‌افزار‌های مبتنی بر دسکتاپ یا ابزار‌های دستی، هنوز برای مدیریت مجموعه داده‌های مقیاس مغز انسان طراحی نشده‌اند. به این ترتیب، محققان اغلب زمان زیادی را صرف گشت و گذار در اقیانوسی از داده‌های خام می‌کنند.

گستبی که پروژه‌ای را برای ردیابی نورون و محیط یادگیری فعال (نوروترِل) هدایت می‌کند، به یک روش نرم افزاری که یادگیری ماشین، ابررایانه و همچنین سهولت استفاده و دسترسی به این چالش نقشه برداری مغز را به ارمغان می‌آورد، دست یافته است. «نوروترِل» پردازش داده‌ها را خودکار می‌کند و خروجی را در یک رابط تعاملی نمایش می‌دهد که به محققان اجازه می‌دهد با ویرایش و دستکاری داده‌ها الگو‌های خاص را علامت‌گذاری، فیلتر و جستجو کنند.

باز کردن توپ نخ

یکی از ویژگی‌های تعیین کننده «نوروترِل» تکنیک یادگیری ماشینی است که از آن استفاده می‌کند و یادگیری فعال نامیده می‌شود. الگوریتم‌های «نوروترِل» برای برچسب‌گذاری خودکار داده‌های دریافتی بر اساس داده‌های تصویربرداری مغزی موجود آموزش دیده‌اند، اما داده‌های ناآشنا می‌توانند پتانسیل ایجاد خطا را نشان دهند. یادگیری فعال به کاربران اجازه می‌دهد تا خطا‌ها را به صورت دستی تصحیح کنند و به الگوریتم یاد دهند تا دفعه بعدی که با داده‌های مشابه مواجه می‌شود، بهبود یابد. این ترکیب اتوماسیون و برچسب گذاری دستی، پردازش دقیق داده‌ها را با بار بسیار کمتری برای کاربر تضمین می‌کند.

مایکل اسنایدر، از گروه سیستم‌های پشتیبانی تصمیم‌گیری در آزمایشگاه، می‌گوید: «تصور کنید از یک توپ نخ عکسی با اشعه ایکس بگیرید. همه این خطوط  متقاطع را خواهید دید. وقتی دو خط متقاطع می‌شوند، آیا به این معنی است که یکی از تکه‌های نخ در حال خم شدن ۹۰ درجه است، یا یکی مستقیم به سمت بالا و دیگری مستقیم به سمت بالا می‌رود؟ با یادگیری فعال «نوروترِل»، کاربران می‌توانند این رشته‌های نخ را ردیابی کنند و الگوریتم را برای دنبال کردن صحیح آن‌ها آموزش دهند. بدون «نوروترِل»، کاربر باید توپ نخ یا در این مورد آکسون‌های مغز انسان را هر بار ردیابی می‌کرد.

از آنجایی که «نوروترِل» بخش عمده‌ای از بار برچسب گذاری را از دوش کاربر بر می‌دارد، به محققان اجازه می‌دهد تا داده‌های بیشتری را با سرعت بیشتر پردازش کنند. علاوه بر این، الگوریتم‌های ردیابی آکسون محاسبات موازی را برای توزیع در چندین پردازنده به طور همزمان استفاده می‌کنند که منجر به پردازش سریع‌تر و مقیاس‌پذیر می‌شود. محققان با استفاده از «نوروترِل» کاهش ۹۰ درصدی زمان محاسبات مورد نیاز برای پردازش ۳۲ گیگابیت داده را نسبت به روش‌های مرسوم هوش مصنوعی نشان دادند.

محققان همچنین نشان دادند که افزایش قابل توجه در حجم داده‌ها به معنای افزایش زمان پردازش نیست. به عنوان مثال، آن‌ها در مطالعه اخیر نشان دادند که افزایش ۱۰ هزار درصدی در اندازه مجموعه داده ها، با استفاده از دو نوع مختلف از واحد‌های پردازش مرکزی، تنها به ۹ درصد و افزایش ۲۲ درصدی در کل زمان پردازش داده منجر می‌شود.

بنجامین روپ، یکی از توسعه دهندگان الگوریتم این پروژه می‌افزاید: با تخمین ۸۶ میلیارد نورون که ۱۰۰ تریلیون اتصال در مغز انسان ایجاد می‌کنند، برچسب زدن دستی تمام آکسون‌ها در یک مغز به اندازه طول عمر انسان زمان خواهد برد.  این ابزار پتانسیل آن را دارد که ایجاد اتصالات را نه فقط برای یک فرد، بلکه برای بسیاری از افراد به صورت خودکار انجام دهد و راه را برای مطالعه بیماری‌های مغزی در سطح جمعیت باز کند.