انقلاب هوش مصنوعی در علوم اعصاب
انقلاب هوش مصنوعی در علوم اعصاب : ردیابی دقیق نورون ها در حیوانات متحرک
یک روش پیشگامانه هوش مصنوعی ایجاد شده توسط دانشمندان EPFL و هاروارد امکان ردیابی کارآمد نورون ها در حیوانات در حال حرکت را با استفاده از یک شبکه عصبی کانولوشن با “افزایش هدفمند” فراهم می کند.
این به طور قابل توجهی حاشیه نویسی دستی را کاهش می دهد، تحقیقات تصویربرداری مغز را تسریع می بخشد و درک ما از رفتارهای عصبی را عمیق تر می کند.
دانشمندان EPFL و هاروارد روشی مبتنی بر هوش مصنوعی را برای ردیابی نورون‌ها در حیوانات متحرک توسعه داده‌اند که کارایی تحقیقات مغز را با حداقل حاشیه‌نویسی دستی افزایش می‌دهد.
پیشرفت‌های اخیر امکان تصویربرداری از نورون‌ها را در حیواناتی که آزادانه در حال حرکت هستند را می‌دهد.
با این حال، برای رمزگشایی فعالیت مدار، این نورون های تصویر شده باید به صورت محاسباتی شناسایی و ردیابی شوند.
این امر به ویژه زمانی چالش برانگیز می شود که خود مغز در داخل بدن انعطاف پذیر ارگانیسم، به عنوان مثال در یک کرم، حرکت می کند و تغییر شکل می دهد.
تا به حال، جامعه علمی فاقد ابزار برای رسیدگی به این مشکل بوده است.
توسعه روش هوش مصنوعی برای ردیابی نورون
اکنون، تیمی از دانشمندان EPFL و هاروارد یک روش هوش مصنوعی پیشگام را برای ردیابی نورون ها در حیوانات متحرک و در حال تغییر شکل داده اند.
این مطالعه که اکنون در Nature Methods منتشر شده است ، توسط سهند جمال راهی در دانشکده علوم پایه EPFL انجام شد.
روش جدید مبتنی بر یک شبکه عصبی کانولوشنال (CNN) است که نوعی هوش مصنوعی است که برای تشخیص و درک الگوها در تصاویر آموزش دیده است.
این شامل فرآیندی به نام “پیچیدگی” است که به بخش‌های کوچکی از تصویر – مانند لبه‌ها، رنگ‌ها یا شکل‌ها – در یک زمان نگاه می‌کند و سپس همه آن اطلاعات را با هم ترکیب می‌کند تا آن را معنا کند و اشیا یا الگوها را شناسایی کند.
مشکل این است که برای شناسایی و ردیابی نورون ها در طول فیلمی از مغز یک حیوان، بسیاری از تصاویر باید با دست برچسب گذاری شوند، زیرا حیوان در طول زمان به دلیل تغییر شکل های مختلف بدن بسیار متفاوت ظاهر می شود.
با توجه به تنوع حالت های حیوان، ایجاد تعداد کافی حاشیه نویسی به صورت دستی برای آموزش CNN می تواند دلهره آور باشد.
افزایش هدفمند
برای رسیدگی به این موضوع، محققان یک CNN پیشرفته با «افزایش هدفمند» توسعه دادند.
روش ابتکاری به طور خودکار حاشیه نویسی قابل اعتماد را برای مرجع تنها از مجموعه محدودی از حاشیه نویسی های دستی ترکیب می کند.
نتیجه این است که CNN به طور موثر تغییر شکل‌های درونی مغز را یاد می‌گیرد و سپس از آنها برای ایجاد حاشیه‌نویسی برای وضعیت‌های جدید استفاده می‌کند و نیاز به حاشیه‌نویسی دستی و بررسی مجدد را به شدت کاهش می‌دهد.
روش جدید همه کاره است و قادر است نورون ها را در تصاویر به عنوان نقاط منفرد یا به صورت حجم های سه بعدی شناسایی کند.
محققان آن را روی کرم گرد Caenorhabditis elegans آزمایش کردند که 302 نورون آن را به یک ارگانیسم مدل محبوب در علوم اعصاب تبدیل کرده است.
دانشمندان با استفاده از CNN تقویت‌شده، فعالیت برخی از نورون‌های درونی کرم (نورون‌هایی که سیگنال‌ها را بین نورون‌ها پل می‌کنند) اندازه‌گیری کردند.
آنها دریافتند که رفتارهای پیچیده ای از خود نشان می دهند، به عنوان مثال الگوهای پاسخ خود را زمانی که در معرض محرک های مختلف قرار می گیرند، مانند بوها، تغییر می دهند.
تاثیر بر تحقیق
این تیم CNN خود را در دسترس قرار داده است و یک رابط کاربری گرافیکی کاربرپسند ارائه می دهد که تقویت هدفمند را ادغام می کند و فرآیند را در یک خط لوله جامع، از حاشیه نویسی دستی تا تصحیح نهایی، ساده می کند.
سهند جمال راهی می‌گوید: «با کاهش چشمگیر تلاش دستی مورد نیاز برای بخش‌بندی و ردیابی نورون، روش جدید توان تحلیل را در مقایسه با حاشیه‌نویسی کامل دستی سه برابر افزایش می‌دهد.
“این پیشرفت پتانسیل این را دارد که تحقیقات در تصویربرداری مغز را تسریع کند و درک ما از مدارهای عصبی و رفتارها را عمیق تر کند.”
