Модель мозга предлагает новое понимание повреждений, вызванных инсультом и другими травмами

Исследователь нейроизображений в Университете Буффало разработал компьютерную модель человеческого мозга, которая более реалистично имитирует реальные паттерны поражения мозга, чем существующие методы. Новое продвижение представляет собой объединение двух устоявшихся подходов к созданию среды цифрового моделирования, которая могла бы помочь жертвам инсульта и пациентам с другими травмами головного мозга, служа полигоном для проверки гипотез о специфическом неврологическом повреждении.

«Эта модель точно привязана к функциональной связности мозга и способна демонстрировать реалистичные паттерны когнитивных нарушений», — говорит Кристофер Макнорган, доцент кафедры психологии в Колледже искусств и наук UB. «Поскольку модель отражает то, как мозг связан, мы можем манипулировать им способами, обеспечивающими понимание, например, областей мозга пациента, которые могут быть повреждены.

«Эта недавняя работа не доказывает, что у нас есть цифровое факсимильное изображение человеческого мозга, но результаты показывают, что модель работает таким образом, который согласуется с тем, как работает мозг, и это по крайней мере предполагает, что модель принимает о свойствах, которые движутся в направлении, возможно, одного дня, создавая факсимиле. «

Полученные данные предоставляют мощные средства выявления и понимания мозговых сетей и того, как они функционируют, что может привести к тому, что когда-то было нереализованными возможностями для открытия и понимания.

Подробности о модели и результатах ее тестирования появляются в журнале NeuroImage .

Объяснение модели Макноргана начинается с рассмотрения двух основных компонентов ее дизайна: функциональной связности и многомерного анализа паттернов (MVPA).

В течение многих лет традиционные модели на основе мозга опирались на общий линейный подход. Этот метод рассматривает каждую точку мозга и то, как эти области реагируют на раздражители. Этот подход используется в традиционных исследованиях функциональной связности, которые полагаются на функциональную магнитно-резонансную томографию (ФМРТ) для изучения того, как устроен мозг. Линейная модель предполагает прямую связь между двумя вещами, такими как зрительная область мозга становится более или менее активной, когда свет мигает или выключается.

В то время как линейные модели превосходно идентифицируют, какие области активны при определенных условиях, они часто не могут обнаружить сложные отношения, потенциально существующие между несколькими областями. Это область последних достижений, таких как MVPA, «обучаемая» методика машинного обучения, которая работает на более целостном уровне, чтобы оценить, как формируется активность в разных областях мозга.

MVPA нелинейный. Предположим, например, что есть набор нейронов, предназначенных для распознавания значения знака остановки. Эти нейроны не активны, когда мы видим что-то красное или что-то восьмиугольное, потому что не существует линейного сопоставления один-к-одному между красным цветом и знаком остановки (яблоко не является знаком остановки), а также между восьмиугольностью и знак остановки (стол зала заседаний не является знаком остановки).

«Нелинейный отклик гарантирует, что они загораются, когда мы видим красный и восьмиугольный объект», — объясняет Макнорган. «По этой причине нелинейные методы, такие как MVPA, лежат в основе так называемых подходов« глубокого обучения », лежащих в основе технологий, таких как программное обеспечение компьютерного зрения, необходимое для автомобилей с самостоятельным вождением».

Но MVPA использует методы машинного обучения методом грубой силы. Процесс оппортунистический, иногда путающий совпадение с корреляцией. Даже идеальные модели требуют, чтобы исследователи предоставили доказательства того, что активность в теоретической модели также будет присутствовать при тех же условиях в мозге.

Сами по себе как традиционные функциональные возможности подключения, так и подходы MVPA имеют ограничения, и интеграция результатов, полученных с помощью каждого из этих подходов, требует значительных усилий и опыта для исследователей мозга, чтобы выявить доказательства.

Однако при объединении ограничения взаимно ограничены — и МакНорган является первым исследователем, успешно интегрировавшим функциональную связь и MVPA, чтобы разработать модель машинного обучения, которая явно основана на реальных функциональных связях между областями мозга. Другими словами, взаимно ограниченные результаты представляют собой самосборную головоломку.

«Это был мой момент с шоколадом и арахисовым маслом», — говорит Макнорган, эксперт по нейровизуализации и компьютерному моделированию.

«У меня была определенная карьерная траектория, которая позволила мне интенсивно работать с различными теоретическими моделями. Этот фон обеспечил определенный набор переживаний, из-за которых сочетание казалось очевидным задним числом».

Чтобы построить свои модели, Макнорган начинает с сбора данных о мозге, которые научат их закономерностям мозговой активности, связанным с каждой из трех категорий — в данном случае, инструментами, музыкальными инструментами и фруктами. Эти данные были получены от 11 участников, которые во время прохождения МРТ представили внешний вид и звучание знакомых примеров категорий, таких как молотки, гитары и яблоки. Эти сканы показывают, какие области более или менее активны в зависимости от уровня кислорода в крови.

«Существуют определенные модели активности в мозге, которые соответствуют представлениям об одной категории против другой», — говорит Макнорган. «Мы можем думать об этом как о нервном отпечатке».

Эти шаблоны МРТ были затем оцифрованы и использованы для обучения серии компьютерных моделей, чтобы распознать, какие шаблоны активности были связаны с каждой категорией.

«После обучения модели получают невиданные ранее модели активности», — объясняет он. «Значительная точность классификации выше вероятности указывает на то, что модели изучили обобщаемую взаимосвязь между конкретными моделями мозговой активности и мышлением о конкретной категории».

Чтобы проверить, были ли цифровые модели мозга, полученные с помощью этого нового метода, более реалистичными, Макнорган дал им «виртуальные поражения», нарушив активацию в регионах, которые, как известно, важны для каждой из категорий.

Он обнаружил, что взаимосвязанные модели показали ошибки классификации, согласующиеся с местом повреждения. Например, повреждения в областях, которые считаются важными для представления инструментов, нарушают точность для шаблонов инструментов, но не для двух других категорий. Для сравнения, другие версии моделей, не обученные с использованием нового метода, не показали такого поведения.

«Модель теперь показывает, как области мозга, которые могут казаться не важными для кодирования информации при индивидуальном рассмотрении, могут быть важны, когда они функционируют как часть большой конфигурации или сети», — говорит он. «Знание этих областей может помочь нам понять, почему кто-то, кто перенес инсульт или другую травму, испытывает затруднения при проведении этих различий».

---

Источник истории:

Материалы предоставлены Университетом в Буффало . Оригинал написан Берт Гамбини. Примечание: содержание может быть отредактировано по стилю и длине.

---

Ссылка на журнал :

1. Крис Макнорган, Грегори Дж. Смит, Эрика С. Эдвардс. Интеграция функционального подключения и MVPA посредством анализа сети с множественными ограничениями . NeuroImage , 2020; 208: 116412 DOI: 10.1016 / j.neuroimage.2019.116412