שיטת למידה עמוקה חדשה "מקצה לקצה" לחיזוי מצבי התנהגות משתמשת בהדמיה תפקודית של קליפת המוח שלמה שאינה דורשת עיבוד מוקדם או תכונות מוגדרות מראש. פותחה על ידי הסטודנטית לרפואה AJIOKA Takehiro וצוות בראשות TAKUMI Toru מאוניברסיטת קובי, הגישה שלהם מאפשרת להם גם לזהות אילו אזורים במוח הכי רלוונטיים לאלגוריתם (בתמונה). היכולת לחלץ מידע זה מניחה את הבסיס לפיתוחים עתידיים של ממשקי מוח-מכונה. קרדיט: Ajioka Takehiro
אלגוריתם זיהוי תמונות בינה מלאכותית יכול לחזות אם עכבר זז או לא בהתבסס על נתוני הדמיה תפקודי מוח. החוקרים מאוניברסיטת קובה פיתחו גם שיטה לזהות אילו נתוני קלט רלוונטיים, ומאירים אור לקופסה השחורה של AI עם פוטנציאל לתרום לטכנולוגיית ממשק מוח-מכונה.
לצורך ייצור ממשקי מוח-מכונה, יש צורך להבין כיצד אותות מוח ופעולות מושפעות קשורים זה לזה. זה נקרא "פענוח עצבי", ורוב המחקר בתחום זה נעשה על הפעילות החשמלית של תאי המוח, הנמדדת על ידי אלקטרודות המושתלות במוח. מנגד, טכנולוגיות הדמיה פונקציונליות, כגון fMRI או הדמיית סידן, יכולים לנטר את כל המוח ויכולים להפוך אזורי מוח פעילים לגלויים על ידי נתוני פרוקסי.
מבין השניים, הדמיית סידן מהירה יותר ומציעה רזולוציה מרחבית טובה יותר. אבל מקורות הנתונים הללו נותרים לא מנוצלים למאמצי פענוח עצביים. מכשול מסוים אחד הוא הצורך לעבד מראש את הנתונים, כגון על ידי הסרת רעש או זיהוי אזור עניין, מה שמקשה על תכנון הליך כללי לפענוח עצבי של סוגים רבים ושונים של התנהגות.
פריצת דרך בפענוח עצבי עם AI
הסטודנט לרפואה של אוניברסיטת קובי, אג'יוקה טקהירו, השתמש במומחיות הבינתחומית של הצוות בראשותו של מדען המוח Takumi Toru כדי להתמודד עם הנושא הזה. "הניסיון שלנו עם מערכות הדמיה ומעקב תנועה מבוססות VR בזמן אמת לעכברים וטכניקות למידה עמוקה אפשרו לנו לחקור שיטות למידה עמוקה 'מקצה לקצה', מה שאומר שהן אינן דורשות עיבוד מוקדם או תכונות מוגדרות מראש. , וכך להעריך מידע רחב קליפת המוח לפענוח עצבי", אומר אג'יוקה. הם שילבו שני אלגוריתמים שונים של למידה עמוקה, אחד לדפוסים מרחביים ואחד לדפוסים זמניים, לנתוני סרטי קליפת מוח שלמה מעכברים נחים או רצים על הליכון ואימנו את מודל הבינה המלאכותית שלהם לחזות במדויק מנתוני תמונת הקורטקס אם העכבר זז או מנוחה.
ביומן ביולוגיה חישובית PLoSהחוקרים מאוניברסיטת קובה מדווחים שלמודל שלהם יש א דיוק של 95% בחיזוי המצב ההתנהגותי האמיתי של החיה ללא צורך להסיר רעש או להגדיר מראש אזור עניין. בנוסף, המודל שלהם עשה את התחזיות המדויקות הללו על סמך נתונים של 0.17 שניות בלבד, כלומר הם יכולים להגיע למהירויות כמעט בזמן אמת. כמו כן, זה עבד על פני חמישה אנשים שונים, מה שמראה שהמודל יכול לסנן מאפיינים בודדים.
זיהוי נתוני מפתח לתחזיות
לאחר מכן, מדעני המוח המשיכו לזהות אילו חלקים מנתוני התמונה היו אחראים בעיקר לחיזוי על ידי מחיקת חלקים מהנתונים ותצפית על ביצועי המודל במצב זה. ככל שהתחזית הפכה גרועה יותר, כך הנתונים היו חשובים יותר. "היכולת הזו של המודל שלנו לזהות אזורים קריטיים בקליפת המוח לסיווג התנהגותי היא מרגשת במיוחד, מכיוון שהיא פותחת את המכסה של היבט 'הקופסה השחורה' של טכניקות למידה עמוקה", מסביר אג'יוקה.
ביחד, צוות אוניברסיטת קובה הקים טכניקה הניתנת להכללה לזיהוי מצבי התנהגות מנתוני הדמיה תפקודיים של קליפת המוח השלמה ופיתח טכניקה לזהות על אילו חלקים מהנתונים התחזיות מבוססות. אג'יוקה מסביר למה זה רלוונטי. "מחקר זה מבסס את הבסיס להמשך פיתוח ממשקי מוח-מכונה המסוגלים לפענח כמעט בזמן אמת התנהגות באמצעות הדמיה מוחית לא פולשנית."
מחקר זה מומן על ידי האגודה היפנית לקידום המדע (מענקים JP16H06316, JP23H04233, JP23KK0132, JP19K16886, JP23K14673 ו-JP23H04138), הסוכנות היפנית למחקר ופיתוח רפואי (מענק J4250m Technology and Technology של יפן (מענק J4250m הטכנולוגיה של יפן) 299 ו-JPMJMS229B), המרכז הלאומי לנוירולוגיה ופסיכיאטריה (מענק 30-9), וקרן המדע של Takeda. הוא נערך בשיתוף פעולה עם חוקרים ממעבדות ניתוח המידע העצבי של ATR.
