Новый алгоритм машинного обучения на базе графического процессора, разработанный исследователями из Индийского института науки (IISc), может помочь ученым лучше понять и предсказать связь между различными областями мозга.

Алгоритм, называемый Регуляризованной, ускоренной, линейной оценкой пучков, или ReAl-LiFE, может быстро анализировать огромные объемы данных, полученных в результате диффузионной магнитно-резонансной томографии (dMRI) человеческого мозга. Используя реальные данные, команда смогла оценить данные dMRI более чем в 150 раз быстрее, чем существующие современные алгоритмы.

"Задачи, которые раньше занимали от нескольких часов до нескольких дней, могут быть выполнены за считанные секунды или минуты", - говорит Девараджан Шридхаран, доцент Центра неврологии (CNS) IISc и автор исследования, опубликованного в журнале Nature Computational Science.

Миллионы нейронов срабатывают в мозге каждую секунду, генерируя электрические импульсы, которые передаются по нейронным сетям из одной точки мозга в другую по соединительным кабелям или "аксонам". Эти связи необходимы для вычислений, которые выполняет мозг. "Понимание взаимосвязей между мозгом имеет решающее значение для выявления масштабных взаимосвязей между мозгом и поведением", - говорит Варша Шринивасан, аспирант CNS и первый автор исследования. Однако традиционные подходы к изучению связи мозга обычно используют модели на животных и являются инвазивными. С другой стороны, МРТ-сканирование обеспечивает неинвазивный метод изучения мозговых связей у людей.

Кабели (аксоны), соединяющие различные области мозга, являются его информационными магистралями. Поскольку пучки аксонов имеют форму трубок, молекулы воды движутся по ним вдоль их длины направленным образом. dMRI позволяет ученым отслеживать это движение, чтобы создать всеобъемлющую карту сети волокон по всему мозгу, называемую коннектомом.

К сожалению, точно определить эти коннектомы непросто. Данные, полученные в результате сканирования, дают только чистый поток молекул воды в каждой точке мозга. "Представьте, что молекулы воды - это автомобили. Полученная информация представляет собой направление и скорость движения транспортных средств в каждой точке пространства и времени без какой-либо информации о дорогах. Наша задача аналогична определению сети дорог, наблюдая 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. Ранее ученые разработали алгоритм под названием LiFE (Оценка линейного пучка) для выполнения этой оптимизации, но одна из его проблем заключалась в том, что он работал на традиционных центральных процессорах (CPU), что делало вычисления трудоемкими.

В новом исследовании команда Шридхарана изменила 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 на специализированных электронных чипах, которые используются в игровых компьютерах высокого класса, называемых графическими процессорами (GPU), что помогло им анализировать данные со скоростью в 100-150 раз быстрее, чем предыдущие подходы.

Этот усовершенствованный алгоритм в реальной жизни также был способен предсказать, как человек-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 приложений нейробиологии с большими данными, особенно для понимания здоровой функции мозга и патологии мозга", - говорит Шринивасан.

Например, используя полученные коннектомы, команда надеется, что сможет выявить ранние признаки старения или ухудшения функций мозга до того, как они проявятся поведенчески у пациентов с болезнью Альцгеймера. "В другом исследовании мы обнаружили, что предыдущая версия ReAL-LiFE может лучше, чем другие конкурирующие алгоритмы, отличать пациентов с болезнью Альцгеймера от здоровых людей", - говорит Шридхаран. Он добавляет, что их реализация на базе графического процессора является очень общей и может быть использована для решения задач оптимизации и во многих других областях.

ИСТОЧНИК