腦模型提供了對中風和其他傷害造成的損害的新見解

他稱其為「巧克力和花生醬的時刻」。

布法羅大學的一名神經影像學研究人員開發了一種人類大腦的計算機模型,該模型比現有方法更真實地模擬了大腦損傷的實際模式。這項新穎的進步代表了兩種已建立方法的結合,以創建數字模擬環境,該環境可以通過充當特定神經損傷假設的試驗場來幫助中風受害者和其他腦損傷患者。

UB藝術與科學學院心理學助理教授克里斯托弗·麥克諾根說:「這種模型與大腦的功能連接精確地聯繫在一起,並且能夠證明現實的認知障礙模式。」 「由於該模型反映了大腦的連接方式,因此我們可以通過提供洞察力的方式來操縱它,例如,深入了解可能受損的患者大腦區域。

「最近的工作並未證明我們擁有人類大腦的數字傳真,但研究結果表明該模型的運行方式與大腦的運行方式一致,並且至少表明該模型正在採用可能朝一天的方向移動的屬性會產生傳真。」

這些發現為識別和理解大腦網路及其功能提供了強有力的手段,這可能導致曾經無法實現的發現和理解的可能性。

有關模型的詳細信息及其測試結果,請參見NeuroImage雜誌。

解釋McNorgan的模型首先要研究其設計的兩個基本組成部分:功能連接性和多元模式分析(MVPA)。

多年以來,傳統的基於腦的模型一直依賴於一般的線性方法。該方法檢查大腦中的每個部位以及這些部位對刺激的反應。這種方法用於功能連接的傳統研究中,該研究依賴於功能磁共振成像(fMRI)來探索大腦的連接方式。線性模型假設兩件事之間存在直接關係,例如,當燈光閃爍時,大腦的視覺區域變得越來越活躍。

雖然線性模型擅長識別在某些條件下哪些區域處於活動狀態,但它們通常無法檢測到多個區域之間潛在存在的複雜關係。這就是最新進展的領域,例如MVPA,這是一種「可教學的」機器學習技術,可在更全面的水平上進行操作,以評估大腦各區域的活動方式。

MVPA是非線性的。例如,假設有一組神經元專用於識別停車標誌的含義。當我們看到紅色或八邊形時,這些神經元不活躍,因為在紅色與停止符號(蘋果不是停止符號)之間,或者在八角形與成為八角形之間沒有一對一的線性映射。停車標誌(董事會會議室桌不是停車標誌)。

McNorgan解釋說:「非線性響應確保了當我們看到紅色和八邊形的物體時它們確實會亮起。」出於這個原因,諸如MVPA之類的非線性方法一直是技術(例如自動駕駛汽車所需的計算機視覺軟體)背後的所謂「深度學習」方法的核心。」

但是MVPA使用蠻力機器學習技術。這個過程是機會主義的,有時會使相關性與巧合相混淆。甚至理想的模型也要求研究人員提供證據,證明理論模型中的活動也會在相同的大腦條件下出現。

就其本身而言,傳統的功能連接和MVPA方法都有局限性,並且將每種方法產生的結果進行整合需要腦研究人員為弄清楚證據而付出大量的努力和專業知識。

但是,如果將兩者結合起來,局限性便會相互制約-麥克諾根公司(McNorgan)是第一位成功整合功能連接性和MVPA的研究人員,從而開發出一種機器學習模型,該模型明確地植根於大腦區域之間的真實功能連接。換句話說,相互制約的結果是一個自我組裝的難題。

「這是我的巧克力和花生醬的時刻,」神經成像和計算建模專家麥克諾根說。

「我的職業經歷使我能夠廣泛地使用不同的理論模型。這種背景提供了一組特殊的經驗,使這種組合在事後看來很明顯。」

為了建立模型,McNorgan首先收集大腦數據,這些數據將教給他們與三種類別(在本例中為工具,樂器和水果)相關的大腦活動模式。這些數據來自11位參與者,他們在進行MRI掃描時想像了熟悉的類別示例(例如鎚子,吉他和蘋果)的外觀和聲音。這些掃描根據血氧水平指示哪些區域或多或少活躍。

麥克納根說:「大腦中某些活動模式與思考一個類別相對於另一個類別是一致的。」 「我們可能將其視為神經指紋。」

然後將這些MRI模式數字化並用於訓練一系列計算機模型,以識別與每個類別相關的活動模式。

他解釋說:「訓練後,模型會被賦予以前看不見的活動模式。」 「明顯高於分類的準確度表明,這些模型已經學會了特定大腦活動模式與對特定類別的思考之間的普遍關係。」

為了測試通過這種新方法產生的數字大腦模型是否更現實,McNorgan通過破壞已知對每個類別都重要的區域的激活,從而給了它們「虛擬損傷」。

他發現相互約束的模型顯示出與病變位置一致的分類錯誤。例如,被認為對代表工具很重要的區域的病變破壞了工具模式的準確性,但對其他兩個類別卻沒有影響。相比之下,其他未使用新方法訓練的模型版本則沒有顯示此行為。

他說:「該模型現在表明,當單獨考慮信息時,似乎對於編碼信息而言似乎不重要的大腦區域可能在其作為更大的配置或網路的一部分發揮作用時很重要。」了解這些領域可能有助於我們理解為什麼遭受中風或其他傷害的人在區分這些問題時會遇到麻煩。」

有所作為:贊助機會

故事來源:

用料 由…提供 布法羅大學。由Bert Gambini撰寫的原著。注意:可以編輯內容的樣式和長度。

資訊來源:由0x資訊編譯自SCIENCEDAILY,版權歸作者所有,未經許可,不得轉載
你可能還喜歡