脑模型提供了对中风和其他伤害造成的损害的新见解

他称其为“巧克力和花生酱的时刻”。

布法罗大学的一名神经影像学研究人员开发了一种人类大脑的计算机模型,该模型比现有方法更真实地模拟了大脑损伤的实际模式。这项新颖的进步代表了两种已建立方法的结合,以创建数字仿真环境,该环境可以通过充当特定神经损伤假设的试验场来帮助中风受害者和其他脑损伤患者。

UB艺术与科学学院心理学助理教授克里斯托弗·麦克诺根说:“这种模型与大脑的功能连接精确地联系在一起,并且能够证明现实的认知障碍模式。” “由于该模型反映了大脑的连接方式,因此我们可以通过提供洞察力的方式来操纵它,例如,深入了解可能受损的患者大脑区域。

“最近的工作并未证明我们拥有人类大脑的数字传真,但研究结果表明该模型的运行方式与大脑的运行方式一致,并且至少表明该模型正在采用可能朝一天的方向移动的属性会产生传真。”

这些发现为识别和理解大脑网络及其功能提供了强有力的手段,这可能导致曾经无法实现的发现和理解的可能性。

有关模型的详细信息及其测试结果,请参见NeuroImage杂志。

解释McNorgan的模型首先要研究其设计的两个基本组成部分:功能连接性和多元模式分析(MVPA)。

多年以来,传统的基于脑的模型一直依赖于一般的线性方法。该方法检查大脑中的每个部位以及这些部位对刺激的反应。这种方法用于功能连接的传统研究中,该研究依赖于功能磁共振成像(fMRI)来探索大脑的连接方式。线性模型假设两件事之间存在直接关系,例如,当灯光闪烁时,大脑的视觉区域变得越来越活跃。

虽然线性模型擅长识别在某些条件下哪些区域处于活动状态,但它们通常无法检测到多个区域之间潜在存在的复杂关系。这就是最新进展的领域,例如MVPA,这是一种“可教学的”机器学习技术,可在更全面的水平上进行操作,以评估大脑各区域的活动方式。

MVPA是非线性的。例如,假设有一组神经元专用于识别停车标志的含义。当我们看到红色或八边形时,这些神经元不活跃,因为在红色与停止符号(苹果不是停止符号)之间,或者在八角形与成为八角形之间没有一对一的线性映射。停车标志(董事会会议室桌不是停车标志)。

McNorgan解释说:“非线性响应确保了当我们看到红色和八边形的物体时它们确实会亮起。”出于这个原因,诸如MVPA之类的非线性方法一直是技术(例如自动驾驶汽车所需的计算机视觉软件)背后的所谓“深度学习”方法的核心。”

但是MVPA使用蛮力机器学习技术。这个过程是机会主义的,有时会使相关性与巧合相混淆。甚至理想的模型也要求研究人员提供证据,证明理论模型中的活动也会在相同的大脑条件下出现。

就其本身而言,传统的功能连接和MVPA方法都有局限性,并且将每种方法产生的结果进行整合需要脑研究人员为弄清楚证据而付出大量的努力和专业知识。

但是,如果将两者结合起来,局限性便会相互制约-麦克诺根公司(McNorgan)是第一位成功整合功能连接性和MVPA的研究人员,从而开发出一种机器学习模型,该模型明确地植根于大脑区域之间的真实功能连接。换句话说,相互制约的结果是一个自我组装的难题。

“这是我的巧克力和花生酱的时刻,”神经成像和计算建模专家麦克诺根说。

“我的职业经历使我能够广泛地使用不同的理论模型。这种背景提供了一组特殊的经验,使这种组合在事后看来很明显。”

为了建立模型,McNorgan首先收集大脑数据,这些数据将教给他们与三种类别(在本例中为工具,乐器和水果)相关的大脑活动模式。这些数据来自11位参与者,他们在进行MRI扫描时想象了熟悉的类别示例(例如锤子,吉他和苹果)的外观和声音。这些扫描根据血氧水平指示哪些区域或多或少活跃。

麦克纳根说:“大脑中某些活动模式与思考一个类别相对于另一个类别是一致的。” “我们可能将其视为神经指纹。”

然后将这些MRI模式数字化并用于训练一系列计算机模型,以识别与每个类别相关的活动模式。

他解释说:“训练后,模型会被赋予以前看不见的活动模式。” “明显高于分类的准确度表明,这些模型已经学会了特定大脑活动模式与对特定类别的思考之间的普遍关系。”

为了测试通过这种新方法产生的数字大脑模型是否更现实,McNorgan通过破坏已知对每个类别都重要的区域的激活,从而给了它们“虚拟损伤”。

他发现相互约束的模型显示出与病变位置一致的分类错误。例如,被认为对代表工具很重要的区域的病变破坏了工具模式的准确性,但对其他两个类别却没有影响。相比之下,其他未使用新方法训练的模型版本则没有显示此行为。

他说:“该模型现在表明,当单独考虑信息时,似乎对于编码信息而言似乎不重要的大脑区域可能在其作为更大的配置或网络的一部分发挥作用时很重要。”了解这些领域可能有助于我们理解为什么遭受中风或其他伤害的人在区分这些问题时会遇到麻烦。”

有所作为:赞助机会

故事来源:

用料 由…提供 布法罗大学。由Bert Gambini撰写的原著。注意:可以编辑内容的样式和长度。

资讯来源:由0x资讯编译自SCIENCEDAILY,版权归作者所有,未经许可,不得转载
提示:投资有风险,入市需谨慎,本资讯不作为投资理财建议。请理性投资,切实提高风险防范意识;如有发现的违法犯罪线索,可积极向有关部门举报反映。
你可能还喜欢