Ученые Лаборатории Колд-Спринг-Харбор (CSHL) научили компьютеры распознавать нейрон на микроскопических изображениях мозга более эффективно, чем любой предыдущий подход. Исследователи повысили эффективность автоматизированных методов отслеживания нейронов и их связей, и эта задача становится все более востребованной, поскольку исследователи работают над картированием плотно связанных между собой цепей мозга. Они сделали это, научив компьютер распознавать разные части нейронов, каждая из которых имеет разные характеристики.
Такие карты связи имеют решающее значение для изучения того, как мозг обрабатывает информацию, чтобы генерировать мысли и поведение. В последние годы новые технологии визуализации и расширенные возможности хранения цифровых изображений привели к огромному объему данных, фиксирующих пути нейронов, проходящих через мозг мышей и других модельных организмов. Но экспертов для анализа всех этих изображений недостаточно, говорит профессор CSHL Парта Митра, чья команда разработала новый инструмент искусственного интеллекта (ИИ) и сообщила о нем в журнале Nature Machine Intelligence .
Митра говорит: «Я думаю об этом проекте как о создании виртуального нейроанатома. И причина, по которой он нам нужен, заключается в том, что работа, которую мы делаем, традиционно выполнялась опытными людьми, которым, конечно, требуются десятилетия обучения. У них есть огромный объем знаний. Они просмотрели — я не знаю — сотни тысяч изображений. Они понимают контекст. И они могут предложить экспертное суждение и интерпретацию ».
По словам Митры, эту работу должны взять на себя автоматизированные методы, но компьютеры не так хороши, как люди, в интерпретации визуальной информации. То, что опытный анатом быстро распознает как одиночный нейрон, извивающийся на переполненном изображении микроскопа, не так очевидно для алгоритма — по крайней мере, без обширной подготовки, в ходе которой компьютеру разрешается учиться снова и снова на основе больших наборов данных.
«Современные методы машинного обучения … все еще недостаточно хороши. И чего не хватает, так это того, что они часто не имеют некоторых предварительных знаний или информации, которые мы, люди, могли бы иметь при вынесении таких суждений», — говорит Митра. «Так что нам нужно встраивать какую-то предварительную информацию».
Исследователи сделали это, используя форму математики, называемую анализом топологических данных, способ рассматривать вещи как трехмерные пространства с холмами, долинами и кривыми. Топологию иногда называют «геометрией резинового листа», которая подчеркивает возможность соединения », — говорит Митра, в отличие от геометрии, основанной на точных длинах и углах. Исследователи использовали упрощенные математические описания форм частей нейронов — пухлых клеточных тел, тонких аксонов и разветвленных дендритов. Нейроны сильно различаются по своей общей форме, но, показав компьютеру, как нейроны соединяются с помощью нескольких основных форм, команда значительно улучшила способность программы обнаруживать аксоны и дендриты.
Митра говорит, что «в обозримом будущем для автоматизированного анализа изображений по-прежнему потребуется человек-корректор для обеспечения качества научных приложений, но за счет повышения точности компьютера этот новый метод значительно сокращает объем работы, которую должен выполнять эксперт».
С помощью нового гранта Национального института здравоохранения группа Митры еще больше расширит свои инструменты анализа данных ИИ. Эти инструменты критически важны для US Brain Initiative, частью которой является его исследование. Он надеется, что этот подход раскроет тайны того, как мозг соединяется, чтобы люди могли думать о том, как на самом деле работает мозг.