Metode pembelajaran mendalam “end-to-end” yang baru untuk memprediksi keadaan perilaku menggunakan pencitraan fungsional seluruh korteks yang tidak memerlukan pra-pemrosesan atau fitur yang telah ditentukan sebelumnya. Dikembangkan oleh mahasiswa kedokteran AJIOKA Takehiro dan tim yang dipimpin oleh TAKUMI Toru dari Universitas Kobe, pendekatan mereka juga memungkinkan mereka mengidentifikasi wilayah otak mana yang paling relevan untuk algoritma tersebut (gambar). Kemampuan untuk mengekstrak informasi ini meletakkan dasar bagi perkembangan antarmuka otak-mesin di masa depan. Kredit: Ajioka Takehiro
Algoritme pengenalan gambar AI dapat memprediksi apakah mouse bergerak atau tidak berdasarkan data pencitraan fungsional otak. Para peneliti dari Universitas Kobe juga telah mengembangkan metode untuk mengidentifikasi data masukan mana yang relevan, menyoroti kotak hitam AI yang berpotensi berkontribusi pada teknologi antarmuka otak-mesin.
Untuk menghasilkan antarmuka otak-mesin, penting untuk memahami bagaimana sinyal otak dan tindakan yang terpengaruh berhubungan satu sama lain. Hal ini disebut “neural decoding,” dan sebagian besar penelitian dalam bidang ini dilakukan pada aktivitas listrik sel-sel otak, yang diukur dengan elektroda yang ditanamkan ke dalam otak. Di sisi lain, teknologi pencitraan fungsional, seperti fMRI atau pencitraan kalsium, dapat memantau seluruh otak dan dapat membuat wilayah otak aktif terlihat melalui data proksi.
Dari keduanya, pencitraan kalsium lebih cepat dan menawarkan resolusi spasial yang lebih baik. Namun sumber data ini masih belum dimanfaatkan untuk upaya decoding saraf. Salah satu kendala khususnya adalah kebutuhan untuk memproses data terlebih dahulu seperti menghilangkan noise atau mengidentifikasi wilayah tertentu, sehingga sulit untuk merancang prosedur umum untuk decoding saraf dari berbagai jenis perilaku.
Terobosan dalam Decoding Neural dengan AI
Mahasiswa kedokteran Universitas Kobe, Ajioka Takehiro, menggunakan keahlian interdisipliner dari tim yang dipimpin oleh ahli saraf Takumi Toru untuk mengatasi masalah ini. “Pengalaman kami dengan sistem pencitraan dan pelacakan gerak real-time berbasis VR untuk tikus dan teknik pembelajaran mendalam memungkinkan kami mengeksplorasi metode pembelajaran mendalam ‘end-to-end’, yang berarti metode tersebut tidak memerlukan pra-pemrosesan atau fitur yang telah ditentukan sebelumnya. , dan dengan demikian menilai informasi di seluruh korteks untuk decoding saraf,” kata Ajioka. Mereka menggabungkan dua algoritme pembelajaran mendalam yang berbeda, satu untuk pola spasial dan satu lagi untuk pola temporal, pada data film seluruh korteks dari tikus yang beristirahat atau berlari di atas treadmill dan melatih model AI mereka untuk memprediksi secara akurat dari data gambar korteks apakah mouse bergerak atau tidak. beristirahat.
Di jurnal Biologi Komputasi PLoSpara peneliti Universitas Kobe melaporkan bahwa model mereka memiliki ketepatan sebesar 95% dalam memprediksi keadaan perilaku sebenarnya dari hewan tanpa perlu menghilangkan kebisingan atau menentukan terlebih dahulu wilayah yang diinginkan. Selain itu, model mereka membuat prediksi akurat ini hanya berdasarkan data berdurasi 0,17 detik, yang berarti bahwa mereka dapat mencapai kecepatan mendekati real-time. Selain itu, model ini juga berhasil diterapkan pada lima individu berbeda, yang menunjukkan bahwa model tersebut dapat menyaring karakteristik individu.
Mengidentifikasi Data Kunci untuk Prediksi
Para ahli saraf kemudian mengidentifikasi bagian mana dari data gambar yang paling bertanggung jawab atas prediksi tersebut dengan menghapus sebagian data dan mengamati kinerja model dalam keadaan tersebut. Semakin buruk prediksinya, semakin penting data tersebut. “Kemampuan model kami untuk mengidentifikasi daerah kortikal penting untuk klasifikasi perilaku sangatlah menarik, karena ini membuka penutup aspek ‘kotak hitam’ dalam teknik pembelajaran mendalam,” jelas Ajioka.
Secara keseluruhan, tim Universitas Kobe membuat teknik yang dapat digeneralisasikan untuk mengidentifikasi keadaan perilaku dari data pencitraan fungsional seluruh korteks dan mengembangkan teknik untuk mengidentifikasi bagian data mana yang menjadi dasar prediksi. Ajioka menjelaskan mengapa hal ini relevan. “Penelitian ini menetapkan landasan untuk mengembangkan lebih lanjut antarmuka mesin-otak yang mampu mendekode perilaku hampir secara real-time menggunakan pencitraan otak non-invasif.”
Referensi: “Pendekatan pembelajaran mendalam menyeluruh terhadap klasifikasi perilaku tikus dari pencitraan kalsium di seluruh korteks” oleh Takehiro Ajioka, Nobuhiro Nakai, Okito Yamashita, dan Toru Takumi, 13 Maret 2024, Biologi Komputasi PLOS.
DOI: 10.1371/jurnal.pcbi.1011074
Penelitian ini didanai oleh Masyarakat Jepang untuk Promosi Sains (hibah JP16H06316, JP23H04233, JP23KK0132, JP19K16886, JP23K14673 JOBAN21 (JOBAN21212. JOBAN21 (JOBAN21 (JOBAN21, JOBAN21, JOBAN21, 9 dan JPMJMS229B), Pusat Neurologi dan Psikiatri Nasional (hibah 30-9), dan Takeda Science Foundation. Hal ini dilakukan bekerja sama dengan para peneliti dari Laboratorium Analisis Informasi Neural ATR.
