Él lo llama su "momento de chocolate y mantequilla de maní"
Un investigador de neuroimagen de la Universidad de Buffalo ha desarrollado un modelo informático del cerebro humano que simula de manera más realista los patrones reales de daño cerebral que los métodos existentes. El novedoso avance representa la unión de dos enfoques establecidos para crear un entorno de simulación digital que podría ayudar al accidente cerebrovascularvíctimas y pacientes con otras lesiones cerebrales al servir como campo de pruebas para las hipótesis sobre el daño neurológico específico.
"Este modelo está vinculado con precisión a la conectividad funcional del cerebro y puede demostrar patrones realistas de deterioro cognitivo", dice Christopher McNorgan, profesor asistente de psicología en la Facultad de Artes y Ciencias de la UB. "Dado que el modelo refleja cómoel cerebro está conectado, podemos manipularlo de manera que proporcione información, por ejemplo, sobre las áreas del cerebro de un paciente que podrían estar dañadas.
"Este trabajo reciente no prueba que tengamos un facsímil digital del cerebro humano, pero los resultados indican que el modelo está funcionando de manera consistente con el funcionamiento del cerebro, y que al menos sugiere que el modeloestá adquiriendo propiedades que se están moviendo en la dirección de posiblemente algún día creando un facsímil "
Los resultados proporcionan un poderoso medio para identificar y comprender las redes cerebrales y cómo funcionan, lo que podría conducir a lo que alguna vez fueron posibilidades no descubiertas para el descubrimiento y la comprensión.
Los detalles sobre el modelo y los resultados de sus pruebas aparecen en el diario NeuroImage .
La explicación del modelo de McNorgan comienza con una mirada a los dos componentes fundamentales de su diseño: conectividad funcional y análisis de patrones multivariados MVPA.
Durante muchos años, los modelos tradicionales basados en el cerebro se han basado en un enfoque lineal general. Este método analiza cada punto del cerebro y cómo esas áreas responden a los estímulos. Este enfoque se utiliza en estudios tradicionales de conectividad funcional, que se basan enimágenes de resonancia magnética funcional fMRI para explorar cómo está conectado el cerebro. Un modelo lineal supone una relación directa entre dos cosas, como la región visual del cerebro que se vuelve más o menos activa cuando una luz se enciende o apaga.
Si bien los modelos lineales son excelentes para identificar qué áreas están activas bajo ciertas condiciones, a menudo no pueden detectar relaciones complicadas que potencialmente existen entre múltiples áreas. Ese es el dominio de los avances más recientes, como MVPA, una técnica de aprendizaje automático "enseñable" que funcionaen un nivel más holístico para evaluar cómo se modela la actividad en las regiones del cerebro.
MVPA no es lineal. Supongamos, por ejemplo, que hay un conjunto de neuronas dedicadas a reconocer el significado de una señal de stop. Estas neuronas no están activas cuando vemos algo rojo o algo octogonal porque no hay un lineal uno a unomapeo entre ser rojo y ser una señal de alto una manzana no es una señal de alto, ni entre ser octogonal y ser una señal de alto una mesa de la sala de juntas no es una señal de alto.
"Una respuesta no lineal asegura que se iluminen cuando vemos un objeto que es rojo y octogonal", explica McNorgan. "Por esta razón, los métodos no lineales como MVPA han estado en el centro de la llamadaEnfoques de 'Aprendizaje profundo' detrás de tecnologías, como el software de visión por computadora requerido para automóviles autónomos ".
Pero MVPA utiliza técnicas de aprendizaje automático de fuerza bruta. El proceso es oportunista, a veces confusa coincidencia con correlación. Incluso los modelos ideales requieren que los investigadores proporcionen evidencia de que la actividad en el modelo teórico también estaría presente en las mismas condiciones en el cerebro.
Por sí solos, tanto la conectividad funcional tradicional como los enfoques MVPA tienen limitaciones, y la integración de los resultados generados por cada uno de estos enfoques requiere un esfuerzo considerable y experiencia para que los investigadores del cerebro descifren la evidencia.
Sin embargo, cuando se combinan, las limitaciones se limitan mutuamente, y McNorgan es el primer investigador en integrar con éxito la conectividad funcional y MVPA para desarrollar un modelo de aprendizaje automático que se basa explícitamente en conexiones funcionales del mundo real entre regiones cerebrales. En otras palabras, los resultados mutuamente limitados son un rompecabezas de autoensamblaje.
"Fue mi momento de chocolate y mantequilla de maní", dice McNorgan, un experto en neuroimagen y modelado computacional.
"He tenido una trayectoria profesional particular que me ha permitido trabajar extensamente con diferentes modelos teóricos. Ese trasfondo proporcionó un conjunto particular de experiencias que hicieron que la combinación pareciera obvia en retrospectiva".
Para construir sus modelos, McNorgan comienza reuniendo los datos del cerebro que les enseñarán los patrones de actividad cerebral asociados con cada una de las tres categorías, en este caso, herramientas, instrumentos musicales y frutas. Estos datos provienen de 11 participantesquienes imaginaron la apariencia y el sonido de ejemplos de categorías familiares, como martillos, guitarras y manzanas, mientras se sometían a una resonancia magnética. Estas exploraciones indican qué áreas son más o menos activas según los niveles de oxígeno en la sangre.
"Hay ciertos patrones de actividad en el cerebro que son consistentes con pensar en una categoría versus otra", dice McNorgan. "Podríamos pensar en esto como una huella digital neuronal".
Estos patrones de MRI se digitalizaron y se usaron para entrenar una serie de modelos de computadora para reconocer qué patrones de actividad se asociaron con cada categoría.
"Después del entrenamiento, los modelos reciben patrones de actividad nunca vistos", explica. "Una precisión de clasificación significativamente superior al azar indica que los modelos han aprendido una relación generalizable entre patrones de actividad cerebral específicos y pensar en una categoría específica".
Para probar si los modelos digitales del cerebro producidos por este nuevo método eran más realistas, McNorgan les dio "lesiones virtuales" al interrumpir las activaciones en regiones que se sabe que son importantes para cada una de las categorías.
Encontró que los modelos mutuamente restringidos mostraban errores de clasificación consistentes con la ubicación de la lesión. Por ejemplo, las lesiones en áreas que se consideran importantes para representar herramientas alteraron la precisión de los patrones de herramientas, pero no las otras dos categorías. En comparación, otras versiones delos modelos no entrenados con el nuevo método no mostraron este comportamiento.
"El modelo ahora sugiere cómo las áreas del cerebro que podrían no parecer importantes para codificar información cuando se consideran individualmente pueden ser importantes cuando funcionan como parte de una configuración o red más grande", dice. "Conocer estas áreas puede ayudarnos a comprenderpor qué alguien que sufrió un derrame cerebral u otra lesión tiene problemas para hacer estas distinciones "
Fuente de la historia :
Materiales proporcionado por Universidad de Buffalo . Original escrito por Bert Gambini. Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :