Tyrėjai sukuria AI modelį, kad suprastų, kaip smegenų veikla yra susijusi su liga

Tyrėjai sukuria AI modelį, kad suprastų, kaip smegenų veikla yra susijusi su liga

Gyvensena mityba, dietos, judėjimas

Baylor medicinos koledžo ir Jeilio universiteto mokslininkų komanda įtraukė generatyvųjį dirbtinį intelektą (AI), kad sukurtų pagrindinį smegenų veiklos modelį. Smegenų kalbos modelis (BrainLM) buvo sukurtas siekiant modeliuoti smegenis in silico ir nustatyti, kaip smegenų veikla yra susijusi su žmogaus elgesiu ir smegenų ligomis.

Tyrimas buvo paskelbtas kaip konferencijos pranešimas ICLR 2024 m.

„Ilgą laiką žinojome, kad smegenų veikla yra susijusi su žmogaus elgesiu ir daugybe ligų, tokių kaip traukuliai ar Parkinsono liga“, – sakė Baylor ir Menningerio psichiatrijos ir elgesio mokslų katedros docentas daktaras Chadi Abdallah. straipsnio bendraautorius korespondentas.

„Funkcinis smegenų vaizdavimas arba funkcinis MRT leidžia mums pažvelgti į smegenų veiklą visose smegenyse, tačiau anksčiau negalėjome visiškai užfiksuoti šios veiklos dinamikos laike ir erdvėje naudojant tradicines duomenų analizės priemones.

„Visai neseniai žmonės pradėjo naudoti mašininį mokymąsi, kad užfiksuotų smegenų sudėtingumą ir jo ryšį su konkrečiomis ligomis, tačiau paaiškėjo, kad tam reikėjo užsiregistruoti ir visapusiškai ištirti tūkstančius pacientų, sergančių tam tikru elgesiu ar liga, o tai yra labai brangus procesas.

Naujų generuojamųjų AI įrankių galia yra juos naudoti kuriant pagrindinius modelius, nepriklausančius nuo konkrečios užduoties ar konkrečios pacientų grupės. Generatyvusis AI gali veikti kaip detektyvas, atskleidžiantis paslėptus duomenų rinkinio modelius. Analizuodami duomenų taškus ir ryšius tarp jų, šie modeliai gali sužinoti pagrindinę dinamiką – kaip ir kodėl viskas keičiasi ar vystosi.

Šie pagrindiniai modeliai vėliau sureguliuojami, kad suprastų įvairias temas. Tyrėjai naudojo generatyvųjį AI, kad užfiksuotų, kaip veikia smegenų veikla, nepaisant konkretaus sutrikimo ar ligos. Tai gali būti taikoma bet kuriai populiacijai, kuriai nereikia žinoti tiriamojo elgesio, informacijos apie jo ligą, istoriją ar amžių. Tereikia smegenų veiklos, kad išmokytų kompiuterį ir AI modelį, kaip smegenų veikla vystosi erdvėje ir laike.

Komanda atliko 80 000 nuskaitymų iš 40 000 tiriamųjų ir apmokė modelį, kad išsiaiškintų, kaip šios smegenų veiklos laikui bėgant buvo susijusios viena su kita, sukurdama pagrindinį BrainLM smegenų veiklos modelį. Dabar mokslininkai gali naudoti „BrainLM“, kad patikslintų konkrečią užduotį ir užduotų klausimus kituose tyrimuose.

„Jei norite atlikti klinikinį tyrimą, kad sukurtumėte, pavyzdžiui, vaistus nuo depresijos, tai gali kainuoti šimtus milijonų dolerių, nes reikia registruoti daug pacientų ir juos gydyti ilgą laiką.

„Naudodami „BrainLM“ galią galime sumažinti šias išlaidas per pusę, įtraukdami tik pusę tiriamųjų, naudodami „BrainLM“ galią, kad atrinktume asmenis, kuriems labiausiai patinka gydymas. Taigi „BrainLM“ gali pritaikyti žinias, įgytas iš 80 000 nuskaitymų. pritaikyti tai tiems specifiniams studijų dalykams“, – sakė Abdallah.

Pirmasis žingsnis, išankstinis apdorojimas, apibendrinti signalai ir pašalintas triukšmas, nesusijęs su smegenų veikla. Tyrėjai įtraukė santraukas į mašininio mokymosi modelį ir užmaskavo kiekvieno asmens duomenų procentą. Kai modelis išmoko dinamiką, jie išbandė jį paliktoje bandymų grupėje.

Jie taip pat išbandė tai su skirtingais pavyzdžiais, kad suprastų, kaip gerai modelis gali apibendrinti duomenis, gautus naudojant skirtingus skaitytuvus ir skirtingose ​​​​populiacijose, pavyzdžiui, vyresnio amžiaus ir jaunesnio amžiaus žmonėms.

Jie nustatė, kad „BrainLM“ gerai pasirodė įvairiuose pavyzdžiuose. Jie taip pat nustatė, kad „BrainLM“ geriau prognozuoja depresiją, nerimą ir PTSD sunkumą nei kitos mašininio mokymosi priemonės, kurios nenaudoja generatyvaus AI.

„Mes nustatėme, kad „BrainLM” veikia labai gerai. Jis prognozuoja smegenų veiklą naujame pavyzdyje, kuris buvo paslėptas nuo jo mokymo metu, taip pat gerai veikia su duomenimis iš naujų skaitytuvų ir naujos populiacijos”, – sakė Abdallah.

„Šie įspūdingi rezultatai buvo pasiekti nuskenavus 40 000 tiriamųjų. Dabar stengiamės gerokai padidinti mokymo duomenų rinkinį. Kuo stipresnį modelį galime sukurti, tuo daugiau galime padėti pacientų priežiūrai, pavyzdžiui, sukurti naują psichikos ligų gydymą. arba vadovaujanti neurochirurgija dėl traukulių ar DBS.”

Mokslininkai planuoja pritaikyti šį modelį būsimiems tyrimams, kad prognozuotų su smegenimis susijusias ligas.