Gehirn-Modell bietet neue Einblicke in die Schäden, die durch Schlaganfall und anderen Verletzungen
Er nennt es sein “ – Schokolade und Erdnuss-butter moment.“
Eine Universität in Buffalo neuroimaging-Forscher entwickelten ein computer-Modell des menschlichen Gehirns, das mehr realistisch simuliert tatsächliche Muster der Beeinträchtigung des Gehirns als die bestehenden Methoden. Der Roman Weiterentwicklung stellt die Vereinigung der beiden etablierten Ansätze zur Erstellung einer digitalen simulation Umgebung, der helfen könnte, Schlaganfallpatienten und Patienten mit anderen Hirn-Verletzungen, durch das dienen als ein Test für Hypothesen über bestimmte neurologische Schäden.
„Dieses Modell ist gebunden genau auf die funktionelle Konnektivität des Gehirns und ist in der Lage, um zu demonstrieren, realistische Muster der kognitiven Beeinträchtigung,“ sagt Christopher McNorgan, ein Assistent professor für Psychologie in UB ‚ s College of Arts and Sciences. „Seit das Modell zeigt, wie das Gehirn angeschlossen ist, können wir es verändern, in einer Weise, Einblicke, zum Beispiel in den Bereichen des Patienten, das Gehirn, die beschädigt werden könnten.
„Diese jüngste Arbeit nicht beweisen, dass wir ein digitales Faksimile des menschlichen Gehirns, aber die Ergebnisse zeigen, dass das Modell die Durchführung in einer Weise, die im Einklang mit, wie das Gehirn führt, und deutet zumindest an, dass das Modell unter den Eigenschaften, die in die Richtung vielleicht eines Tages schaffen ein Faksimile.“
Die Ergebnisse liefern ein kraftvolles Mittel, erkennen und verstehen von Gehirn-Netzwerken und wie Sie funktionieren, was dazu führen könnte, was einst nicht realisierte Möglichkeiten für die Entdeckung und das Verständnis.
Details des Modells und die Ergebnisse der Tests erscheinen in der Zeitschrift NeuroImage.
Erklären McNorgan Modell beginnt mit einem Blick auf die zwei grundlegenden Komponenten Ihrer design: funktionale Konnektivität und multivariate pattern-Analyse (MVPA).
Seit vielen Jahren traditionelle Gehirn-basierte Modelle stützten sich auf eine Allgemeine lineare Ansatz. Diese Methode sieht auf jeden Punkt im Gehirn, und wie sich diese Bereiche auf Reize reagieren. Dieser Ansatz ist in der traditionellen Studien der funktionellen Konnektivität, die verlassen sich auf die funktionelle Magnetresonanztomographie (fMRT) zu untersuchen, wie das Gehirn verdrahtet ist. Ein lineares Modell davon ausgegangen, dass eine direkte Beziehung zwischen zwei Dingen, wie der visuellen region des Gehirns mehr oder weniger aktiv, wenn ein Licht flackert auf oder ab.
Während lineare Modelle excel zu identifizieren, welche Bereiche aktiv sind, unter bestimmten Bedingungen, Sie oft nicht zu erkennen komplizierter Zusammenhänge potenziell vorhandene in mehreren Bereichen. Das ist die Domäne der neueren Fortschritte, wie MVPA, ein „teachable“ machine-learning-Technik, die arbeitet auf einer ganzheitlichen Ebene zu beurteilen, wie die Tätigkeit wird strukturiert über Regionen des Gehirns.
MVPA ist nicht-linear. Angenommen zum Beispiel, dass es eine Gruppe von Neuronen gewidmet in Anerkennung der Bedeutung einer stop-Schild. Diese Neuronen sind nicht aktiv, wenn wir sehen etwas rotes oder etwas achteckigen, denn es gibt nicht eine eins-zu-eins-lineare Zuordnung zwischen rot und ein stop-Schild (ein Apfel ist nicht ein stop-Schild), noch zwischen achteckige und ein stop-Schild (ein board room-Tisch ist nicht ein stop-Schild).
„Eine nicht-lineare Reaktion sorgt dafür, dass Sie Leuchten, wenn wir sehen, ein Objekt, das sowohl rot und achteckig“, erklärt McNorgan. „Aus diesem Grund, nicht-lineare Methoden, wie das MVPA wurden an den Kern der sogenannten „Deep Learning“ – Ansätze, hinter Technologien wie die computer-vision-software für selbstfahrende Autos.“
Aber MVPA verwendet brute-force-machine-learning-Techniken. Der Prozess ist opportunistisch, manchmal verwirrende Koinzidenz mit Korrelation. Auch die idealen Modelle benötigen die Forscher nachweisen, dass die Aktivität in das theoretische Modell wäre auch vorhanden, unter den gleichen Bedingungen in das Gehirn.
Auf Ihre eigene, sowohl traditionelle als funktionelle Konnektivität und MVPA Ansätze haben Ihre Grenzen, und die Integration der Ergebnisse, die durch jeder dieser Ansätze erfordert einen erheblichen Aufwand und know-how für das Gehirn Forscher herausfinden, den Beweis.
Wenn Sie kombiniert werden, sind jedoch die Grenzen sind gegenseitig eingeschränkt—und McNorgan ist der erste Forscher, der für eine erfolgreiche Integration von funktionellen Konnektivität und MVPA zu entwickeln, die eine Maschine-learning-Modell, das explizit verankert in der realen Welt funktionalen verbindungen zwischen den Hirnregionen. In anderen Worten, die gegenseitig eingeschränkte Ergebnisse sind eine selbst-Montage puzzle.
„Es war meine Schokolade und Erdnussbutter moment“, sagt McNorgan, ein Experte in Neuro-und Computer-Modellierung.
„Ich habe einen bestimmten Karriere-Flugbahn, die es mir ermöglicht hat, arbeiten intensiv mit verschiedenen theoretischen Modelle. Die hintergrund -, sofern eine bestimmte Reihe von Erfahrungen gemacht, die Kombination scheint offensichtlich, im Nachhinein.“
Um seine Modelle, McNorgan beginnt durch das sammeln das Gehirn die Daten, die Sie lehren, Ihnen die Muster der Hirnaktivität, die im Zusammenhang mit jeder der drei Kategorien—in diesem Fall Werkzeuge, Musikinstrumente und Früchte. Diese Daten kamen 11 Teilnehmer, die sich vorstellen können das Aussehen und Klang der vertrauten Kategorie Beispiele, wie Hämmer, Gitarren und äpfel, während sich in der MRT-scan. Diese scans zeigen an, welche Bereiche mehr oder weniger aktiv auf der Grundlage von Blut-Sauerstoff-Niveaus.
„Es gibt bestimmte Muster der Aktivität über dem Gehirn, die im Einklang mit dem denken über eine Kategorie im Vergleich zu anderen“, sagt McNorgan. „Wir denken, dass das einen neuronalen Fingerabdruck.“
Diese MRT-Muster wurden anschließend digitalisiert und für die Ausbildung eine Reihe von computer-Modellen zu erkennen, welche Aktivitätsmuster wurden im Zusammenhang mit jeder Kategorie.
„Nach dem training, die Modelle sind gegeben, bisher unbekannte Bewegungsmuster“, erklärt er. „Deutlich über-chance klassifikationsgenauigkeit zeigt, dass die Modelle, die gelernt haben, eine verallgemeinerbare Beziehung zwischen bestimmten Gehirn-Aktivitäts-Muster und Gedanken zu einer bestimmten Kategorie.“
Um zu testen, ob das digitale Gehirn produzierten Modelle mit dieser neuen Methode wurden realistischer, McNorgan gab Ihnen die „virtuelle Läsionen“ Sie stören die Aktivierungen in Regionen, die bekannt sind, um für jede der Kategorien.
Er fand, dass die sich gegenseitig die eingeschränkte Modelle zeigten Klassifizierung von Fehlern im Einklang mit der Läsion Lage. Zum Beispiel, Läsionen auf Bereiche gedacht werden, die wichtig für die Darstellung von Werkzeugen gestört Genauigkeit für den Werkzeug -, Muster -, nicht aber die beiden anderen Kategorien. Im Vergleich zu anderen Versionen der Modelle nicht ausgebildet, mit der neuen Methode zeigten nicht dieses Verhalten.