Um novo método de aprendizagem profunda “ponta a ponta” para a previsão de estados comportamentais usa imagens funcionais de todo o córtex que não requerem pré-processamento ou recursos pré-especificados. Desenvolvida pelo estudante de medicina AJIOKA Takehiro e uma equipe liderada por TAKUMI Toru da Universidade de Kobe, sua abordagem também permite identificar quais regiões do cérebro são mais relevantes para o algoritmo (foto). A capacidade de extrair essas informações estabelece as bases para desenvolvimentos futuros de interfaces cérebro-máquina. Crédito: Ajioka Takehiro
Um algoritmo de reconhecimento de imagem de IA pode prever se um mouse está se movendo ou não com base em dados de imagens funcionais do cérebro. Os pesquisadores da Universidade de Kobe também desenvolveram um método para identificar quais dados de entrada são relevantes, iluminando a caixa preta da IA com potencial para contribuir para a tecnologia de interface cérebro-máquina.
Para a produção de interfaces cérebro-máquina, é necessário compreender como os sinais cerebrais e as ações afetadas se relacionam entre si. Isto é chamado de “decodificação neural”, e a maior parte das pesquisas nesse campo é feita na atividade elétrica das células cerebrais, que é medida por eletrodos implantados no cérebro. Por outro lado, tecnologias de imagem funcional, como ressonância magnética funcional ou imagens de cálcio, podem monitorar todo o cérebro e tornar visíveis regiões ativas do cérebro por meio de dados proxy.
Dos dois, a imagem do cálcio é mais rápida e oferece melhor resolução espacial. Mas essas fontes de dados permanecem inexploradas para esforços de decodificação neural. Um obstáculo específico é a necessidade de pré-processar os dados, como a remoção de ruído ou a identificação de uma região de interesse, tornando difícil conceber um procedimento generalizado para a decodificação neural de muitos tipos diferentes de comportamento.
Avanço na decodificação neural com IA
O estudante de medicina da Universidade de Kobe, Ajioka Takehiro, usou a experiência interdisciplinar da equipe liderada pelo neurocientista Takumi Toru para resolver esse problema. “Nossa experiência com sistemas de imagem em tempo real e rastreamento de movimento baseados em VR para mouses e técnicas de aprendizagem profunda nos permitiu explorar métodos de aprendizagem profunda ‘ponta a ponta’, o que significa que eles não requerem pré-processamento ou recursos pré-especificados e, assim, avaliar informações de todo o córtex para decodificação neural”, diz Ajioka. Eles combinaram dois algoritmos diferentes de aprendizado profundo, um para padrões espaciais e outro para padrões temporais, com dados de filmes de todo o córtex de ratos descansando ou correndo em uma esteira e treinaram seu modelo de IA para prever com precisão, a partir dos dados da imagem do córtex, se o mouse está se movendo ou não. em repouso.
No diário Biologia Computacional PLoSos pesquisadores da Universidade de Kobe relatam que seu modelo tem um precisão de 95% na previsão do verdadeiro estado comportamental do animal sem a necessidade de remover ruído ou pré-definir uma região de interesse. Além disso, seu modelo fez essas previsões precisas com base em apenas 0,17 segundos de dados, o que significa que eles poderiam atingir velocidades quase em tempo real. Além disso, isto funcionou em cinco indivíduos diferentes, o que mostra que o modelo poderia filtrar características individuais.
Identificando dados importantes para previsões
Os neurocientistas então identificaram quais partes dos dados da imagem eram as principais responsáveis pela previsão, excluindo partes dos dados e observando o desempenho do modelo nesse estado. Quanto pior se tornava a previsão, mais importantes eram os dados. “Essa capacidade do nosso modelo de identificar regiões corticais críticas para a classificação comportamental é particularmente interessante, pois abre a tampa do aspecto da ‘caixa preta’ das técnicas de aprendizagem profunda”, explica Ajioka.
Em conjunto, a equipe da Universidade de Kobe estabeleceu uma técnica generalizável para identificar estados comportamentais a partir de dados de imagens funcionais de todo o córtex e desenvolveu uma técnica para identificar em quais partes dos dados as previsões se baseiam. Ajioka explica por que isso é relevante. “Esta pesquisa estabelece a base para o desenvolvimento de interfaces cérebro-máquina capazes de decodificar comportamento quase em tempo real usando imagens cerebrais não invasivas.”
Referência: “Abordagem de aprendizagem profunda ponta a ponta para classificação do comportamento do mouse a partir de imagens de cálcio em todo o córtex” por Takehiro Ajioka, Nobuhiro Nakai, Okito Yamashita e Toru Takumi, 13 de março de 2024, Biologia Computacional PLOS.
DOI: 10.1371/journal.pcbi.1011074
This research was funded by the Japan Society for the Promotion of Science (grants JP16H06316, JP23H04233, JP23KK0132, JP19K16886, JP23K14673 and JP23H04138), the Japan Agency for Medical Research and Development (grant JP21wm0425011), the Japan Science and Technology Agency (grants JPMJMS2299 e JPMJMS229B), o Centro Nacional de Neurologia e Psiquiatria (concessão 30-9) e a Takeda Science Foundation. Foi conduzido em colaboração com pesquisadores dos Laboratórios de Análise de Informação Neural da ATR.
