2023 végén</b az Egyesült Államok Élelmiszer- és Gyógyszerügyi Hatósága (FDA) jóváhagyta az első gyógyszert, amelynek potenciálja van az Alzheimer-kór előrehaladásának lassítására. Az Alzheimer-kór a világ népességének nyolcadát érintő, sokféle súlyos idegrendszeri betegség egyike, és bár az új gyógyszer lépés a helyes irányba, még hosszú út áll előttünk, hogy teljes mértékben megértsük ezt és más hasonló betegségeket.
„A humán agy működésének sejtszintű részleteinek rekonstruálása az egyik legnagyobb kihívás a neurológiában” – mondja Lars Gjesteby, az MIT Lincoln Laboratory Emberi Egészségügyi és Teljesítményrendszerek Csoportjának műszaki munkatársa és algoritmusfejlesztője. „A nagy felbontású, hálózatos agyatlaszok segíthetnek a rendellenességek megértésében azáltal, hogy az egészséges és beteg agyak közötti különbségeket pontosan azonosítják. Azonban a fejlődést a nagyon nagy agyi képalkotási adathalmazon való vizualizálás és feldolgozás hiányos eszközei gátolják.”
A neuronok nyomozása
Az agyatlasz lényegében részletes térkép, amely segíthet összekapcsolni a szerkezeti információkat a neuronális funkcióval. Az ilyen atlaszok elkészítéséhez az agyi képalkotási adatokat feldolgozni és annotálni kell. Például minden axont, vagyis a neuronokat összekötő vékony szálat, nyomozni, mérni és információval címkézni kell. A jelenlegi agyi képalkotási adatok feldolgozási módszerei, mint például az asztali szoftverek vagy a manuális eszközök, még nem alkalmasak az emberi agy méretű adathalmazon való munkára. Ennek következtében a kutatók sok időt töltenek az nyers adathalmok átvizsgálásával.
Gjesteby vezeti a Neuron Tracing and Active Learning Environment (NeuroTrALE) projektet, amely egy szoftvercsővezeték, amely gépi tanulást, szuperszámítást, valamint a használhatóság és hozzáférhetőség egyszerűsítését hozza az agytérképezési kihívásra. A NeuroTrALE automatizálja az adatfeldolgozás nagy részét, és interaktív felületen jeleníti meg az outputot, amely lehetővé teszi a kutatók számára, hogy szerkeszthessék és manipulálhassák az adatokat, hogy megjelöljék, szűrjék és keresgéljenek konkrét mintákra.
Aktív tanulás: a jövő kulcsa
A NeuroTrALE egyik meghatározó jellemzője az aktív tanulás nevű gépi tanulási technika. A NeuroTrALE algoritmusai automatikusan címkézik a beérkező adatokat a meglévő agyi képalkotási adatok alapján, de az ismeretlen adatok hibalehetőségeket rejtenek magukban. Az aktív tanulás lehetővé teszi a felhasználók számára, hogy manuálisan javítsák a hibákat, ezzel tanítva az algoritmust, hogy legközelebb jobban teljesítsen hasonló adatok esetén.
„Képzelje el, hogy egy gombolyag fonalról készítünk röntgenfelvételt. Az összes keresztbe tett, átfedő vonalat látná” – mondja Michael Snyder, a laboratórium Homeland Decision Support Systems Csoportjának munkatársa. „Amikor két vonal keresztezi egymást, az azt jelenti, hogy az egyik darab fonal 90 fokos kanyart vesz, vagy az egyik egyenesen felfelé megy, míg a másik egyenesen a másik irányba? A NeuroTrALE aktív tanulásával a felhasználók egyszer vagy kétszer nyomozhatják ezeket a fonálakat, és megtaníthatják az algoritmusnak, hogy helyesen kövesse őket a jövőben.”
Az, hogy a NeuroTrALE leveszi a címkézés terhét a felhasználóról, lehetővé teszi a kutatók számára, hogy gyorsabban dolgozzanak fel több adatot. A csapat a NeuroTrALE használatával 90%-os csökkenést mutatott ki a számítási időben, amely szükséges 32 gigabájt adat feldolgozásához a hagyományos AI módszerekhez képest.
„A becslések szerint az emberi agyban 86 milliárd neuron található, amelyek 100 trillió kapcsolatot alkotnak, így egyetlen agy axonjainak manuális címkézése egy életet venne igénybe” – tette hozzá Benjamin Roop, a projekt algoritmusfejlesztője.
Érdekes tény: A gépi tanulás segítségével a kutatók képesek lehetnek a jövőben automatikusan azonosítani a különböző neurológiai rendellenességeket a nagyméretű agyi képalkotási adatok alapján.
Források: MIT Lincoln Laboratory, Science, NIH
