Искусственный интеллект выделяет нейроны быстрее, чем человек

Биомедицинские инженеры разработали автоматизированный процесс, который может отслеживать и отображать активные нейроны настолько точно, насколько это возможно человеку, но за небольшую долю времени. Этот новый метод, основанный на алгоритме глубокого обучения, решает проблему, препятствующую анализу нейронов, позволяя исследователям быстро собирать и обрабатывать нейронные сигналы для поведенческих исследований в реальном времени.

Биомедицинские инженеры в Университете Дьюка разработали автоматизированный процесс, который может отслеживать формы активных нейронов настолько точно, насколько это возможно для человеческих исследователей, но за короткое время.

Эта новая методика, основанная на использовании искусственного интеллекта для интерпретации видеоизображений, устраняет критические препятствия в анализе нейронов, позволяя исследователям быстро собирать и обрабатывать нейронные сигналы для поведенческих исследований в реальном времени.

Исследование появилось на этой неделе в Известиях Национальной академии наук.

Чтобы измерить нейронную активность, исследователи обычно используют процесс, известный как двухфотонная кальциевая визуализация, которая позволяет им регистрировать активность отдельных нейронов в мозге живых животных. Эти записи позволяют исследователям отслеживать, какие нейроны запускаются и как они потенциально соответствуют разным поведениям.

Хотя эти измерения полезны для поведенческих исследований, идентификация отдельных нейронов в записях является кропотливым процессом. В настоящее время наиболее точный метод требует, чтобы человеческий аналитик обводил каждую «искру», которую он видит в записи, часто требуя, чтобы они останавливали и перематывали видео до тех пор, пока целевые нейроны не будут идентифицированы и сохранены. Чтобы еще больше усложнить процесс, исследователи часто заинтересованы в идентификации только небольшого подмножества активных нейронов, которые перекрываются в разных слоях в тысячах нейронов, которые отображаются.

Этот процесс, называемый сегментацией, является суетливым и медленным. Исследователь может потратить от четырех до 24 часов на сегментирование нейронов в 30-минутной видеозаписи, и это при условии, что они полностью сосредоточены на длительности и не делают перерывов, чтобы спать, есть или пользоваться ванной.

Напротив, новый автоматизированный алгоритм с открытым исходным кодом, разработанный исследователями обработки изображений и нейробиологами в отделе биомедицинской инженерии Дьюка, может точно идентифицировать и сегментировать нейроны за считанные минуты.

«В качестве важного шага к полному картированию мозговой активности перед нами стояла сложная задача — разработать быстрый автоматизированный алгоритм, столь же точный, как и человек, для сегментации множества активных нейронов, отображаемых в различных экспериментальных условиях», — сказала Сина Фарсиу, Пол Руффин Скарборо Доцент инженерных наук в герцог BME.

«Узкое место анализа данных существует в нейробиологии в течение длительного времени — аналитики данных тратят часы и часы на обработку минут данных, но этот алгоритм может обрабатывать 30-минутное видео за 20–30 минут», — сказал Иянгун, помощник. профессор в герцог BME. «Мы также смогли обобщить его производительность, поэтому он может работать одинаково хорошо, если нам нужно сегментировать нейроны из другого слоя мозга с другим размером или плотностью нейронов».

«Наш алгоритм, основанный на глубоком обучении, является быстрым и демонстрирует такую же точность (если не лучше, чем) человеческие эксперты в сегментации активных и перекрывающихся нейронов из двухфотонной микроскопии», — говорит Сомайе Солтанян-Заде, аспирант Герцог BME и первый автор на бумаге.

Алгоритмы глубокого обучения позволяют исследователям быстро обрабатывать большие объемы данных, отправляя их через несколько слоев нелинейных блоков обработки, которые могут быть обучены для идентификации различных частей сложного изображения. В их рамках эта команда создала алгоритм, который мог обрабатывать как пространственную, так и временную информацию во входных видео. Затем они «обучили» алгоритм имитации сегментации человеческого аналитика при одновременном повышении точности.

Прогресс является важным шагом к тому, чтобы позволить нейробиологам отслеживать нейронную активность в режиме реального времени. Из-за широко распространенной полезности их инструментов, команда сделала их программное обеспечение и аннотированный набор данных доступными онлайн.

Гонг уже использует новый метод для более тщательного изучения нейронной активности, связанной с различным поведением у мышей. Благодаря более глубокому пониманию того, какие нейроны запускаются при различных действиях, Гонг надеется узнать, как исследователи могут манипулировать мозговой деятельностью, чтобы изменить поведение.

«Эта улучшенная производительность в обнаружении активных нейронов должна предоставить больше информации о нейронной сети и поведенческих состояниях и открыть дверь для ускоренного прогресса в нейробиологических экспериментах», — сказал Солтанян-Заде.