佐治亞州立大學的研究人員與麻省理工學院（MIT）和麻省總醫(yī)院（MGH）的同事們通過推進獲得了美國國立衛(wèi)生研究院腦研究的 250萬美元贈款創(chuàng)新性神經(jīng)技術(shù)（BRAIN） 研究計劃，旨在徹底改變科學家對人腦的理解。

該團隊將開發(fā)Nobrainer（一種用于3D圖像處理的開源深度學習框架），以將機器學習集成到神經(jīng)影像研究和臨床應(yīng)用中。

佐治亞州立大學計算機科學副教授，研究資助機構(gòu)負責人謝爾蓋·普利斯（Sergey Plis）表示：“人工智能和深度學習的進步可以幫助研究人員從大腦掃描中獲取更多見解，同時減少處理數(shù)據(jù)所需的時間。” ?！袄?，我們可以了解有關(guān)精神疾病或衰老如何影響大腦結(jié)構(gòu)的細節(jié)。”

能夠闡明這類復雜模式的模型非常耗費數(shù)據(jù)，而組裝龐大的大腦數(shù)據(jù)集具有挑戰(zhàn)性，特別是對于小型研究小組而言。

“當Google想要創(chuàng)建一個聊天機器人時，他們可以使用每次互聯(lián)網(wǎng)搜索中的數(shù)據(jù)來訓練它，”同時也是神經(jīng)影像和數(shù)據(jù)科學轉(zhuǎn)化研究中心機器學習核心主管的Plis說 。“但是，對于腦成像儀來說，障礙可能太高。收集成千上萬的大腦掃描以及訓練所需的硬件非常昂貴，并且您必須匿名化數(shù)據(jù)才能解決隱私問題?！?/p>

該團隊由 麻省理工學院 的 Satrajit Ghosh ，MGH的Bruce Fischl和Plis領(lǐng)導。他們計劃創(chuàng)建深度神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)已經(jīng)接受了來自65，000多人的腦部掃描的培訓。他們將把該技術(shù)作為一組廣泛使用的工具和神經(jīng)科學家的現(xiàn)成模型進行傳播。工具和產(chǎn)生的模型將被標準化，以確保科學家們可以獲得可比的結(jié)果并更輕松地共享它們，而無需擔心患者的機密性。

團隊正在開發(fā)一種獨特的功能，其中的模型可以批判他們所知道的信息，量化自己分析中的不確定性程度，并報告可能存在錯誤的地方。這可以幫助科學家確定何時信任該模型以及何時需要收集更多數(shù)據(jù)。隨著越來越多的研究人員使用模型，提出新的問題或?qū)⒛Ｐ驼{(diào)整為新的數(shù)據(jù)集，這些工具將繼續(xù)學習，變得更加準確。

普利斯說：“模型傳播得越遠，就像土豆一樣，變得更好?！?“當您正在研究以不可預測的方式影響大腦的事物（例如中風）時，您需要大量數(shù)據(jù)，因為患者預后會存在很多差異。借助熱土豆學習方式，該模型逐漸吸收了這種可變性，并且在進行預測時變得更好。”

該工具的另一個主要優(yōu)點是該工具具有比可用模型快得多的數(shù)據(jù)處理能力。研究團隊對Nobrainer進行了培訓，使其做出與Freesurfer相同的預測，F(xiàn)reesurfer是MGH開發(fā)的同類最佳的MRI分析工具。初步研究表明，這項技術(shù)的性能優(yōu)于Freesurfer，在幾分鐘到幾小時內(nèi)進行了一些相同的計算。該團隊計劃使用他們的工具來自動化和加速Freesurfer平臺的其他部分以及其他類型的神經(jīng)成像分析。減少執(zhí)行復雜分析所需的時間，可以加快關(guān)于大腦的科學和臨床發(fā)現(xiàn)。