Yapay Zeka

Yeni Derin Öğrenme Yöntemi Bilişsel İşlevi Tahmin Etmeye Yardımcı Olabilir

Özet: Grafik evrişimli sinir ağlarını (gCNN’ler) kullanan yeni bir derin öğrenme yöntemi, beynin boyutuna ve yapısına dayalı olarak bilişsel işlevi tahmin edebilir. Algoritma, beyin morfolojisi ve farklı bilişsel işlevler arasındaki ilişkinin yanı sıra bilişsel işlevdeki düşüşler hakkında fikir verebilir.

Kaynak: kuzeybatı Üniversitesi

Northwestern araştırmacıları, beyin şekli ve yapısına dayalı olarak bilişsel işlev kapasitesini tahmin edebilen derin öğrenmeye dayalı bir yöntem geliştirdiler. Bilimsel Raporlar.

Grafik evrişimli sinir ağlarını (gCNN’ler) kullanan yöntem, beyin morfolojisi ile farklı bilişsel işlevler arasındaki ilişkiye ve beyin işlevinin azalmasına dair yeni anlayışlar da ortaya çıkarabilir.

Nörolojik Cerrahi yardımcı doçenti ve MD’nin ortak yazarı S. Kathleen Bandt, “CNN’lerin zengin yeteneklerini beynin grafik temsiline uyguladığımızda, beyni daha önce keşfedilmemiş bir şekilde bir görüntü olarak keşfedebiliriz” dedi. çalışma.

Beyin yapısı ve bilişsel işlev arasındaki ilişkinin yaşam boyunca nasıl değiştiğini anlamak zor olmuştur. Bununla birlikte, önceki çalışmalar akıcı zekanın -problem çözme ve soyut olarak düşünme ve akıl yürütme yeteneğinin- beynin iki bölgesine büyük ölçüde bağlı olduğunu öne sürüyor: her ikisi de karar verme ve duyusal algılama ile ilgili olan prefrontal korteks ve parietal korteks. diğer fonksiyonlar.

Ayrıca, beyin yapısı ve bilişsel işlev arasındaki ilişkinin araştırılması, beyin olgunlaşması ve yaşlanması ile bilişsel bozulmanın fizyolojik nedenleri hakkında ek bilgi sağlayabilir.

Mevcut çalışmada, araştırmacılar, sıvı zekasını tahmin etmek için dönüştürülmüş beyin MRI taramalarından kortikal kalınlık ve subkortikal yapı gibi farklı morfolojik özellikleri çıkaran özel bir derin öğrenme modeli olan yeni gCNN’ler geliştirdiler.

“Beyni yalnızca yüzeylerine indirgiyoruz, yani yalnızca katlanma kalıpları hakkında değil, aynı zamanda dış kortikal yüzey, iç kortikal yüzey ve iç kortikal yüzey dahil olmak üzere on binlerce düğüm boyunca yüzeyler arasındaki eğrilik ve ilişkiler hakkında da bilgi alabiliyoruz. yedi subkortikal beyin yapısının yüzeyi, “dedi Bandt.

Bilim adamları, yeni gCNN’lerini kullanarak, farklı yaş gruplarından hastaları içeren iki büyük MRI veri setinden kortikal şeritlerin ve subkortikal yapıların morfolojik bilgilerini çıkardılar.

Bu yaklaşımı kullanarak, araştırmacılar, modellerinin diğer benzer son teknoloji yöntemlerden önemli ölçüde daha iyi performans gösterdiğini ve kortikal ve subkortikal yapıların bir kombinasyonunu kullanmanın en doğru tahminleri sağladığını gösterebildiler.

Ek olarak, her iki veri setinde de, amigdala, hipokampus ve nükleus akumbens’in (NAc) yapısal özelliklerinin, temporal, parietal ve singulat korteks ile birlikte sıvı zeka tahminini yönlendirdiğini buldular.

Bu bir kafanın ana hatlarını gösterir
Beyin yapısı ve bilişsel işlev arasındaki ilişkinin yaşam boyunca nasıl değiştiğini anlamak zor olmuştur. Resim kamu malı

“Akışkan zekanın nöroanatomik alt tabakasını araştıran önceki çalışmalar, yaygın kortikal alanlar arasındaki ilişkileri tanımladı, ancak subkortikal yapılarla nispeten az sayıda ilişki bildirildi.

“Çalışmamız, bilişsel bilimin yargıda ve karar vermede ödül işleme ve duygu düzenleme gibi yönleriyle bağlantılı olan iki taraflı NAc, hipokampüsün akışkan zekanın tahminine katılımını belirleyerek bu çalışmalara eklendi.” McCormick Mühendislik Okulu Elektrik ve Bilgisayar Mühendisliği Bölümü’nde yüksek lisans öğrencisi ve çalışmanın baş yazarı Yunan Wu, Ph.D. dedi.

Yazarlara göre, yüzey tabanlı gCNN’leri, sayısız araştırma amacı için nörobiliş ve beyin anatomisi arasındaki tanımlanmış ilişkileri haritalama fırsatı sunuyor. Yöntem ayrıca daha az eğitim süresi ve hesaplama gerektirir, bu da diğer kapsamlı veri kümelerine uygulanmasını daha verimli hale getirir.

Örneğin, Bandt liderliğindeki yakın tarihli bir başka çalışma, yaşlanma ve bunama için gCNN analizini kullandı ve beyin yaşlanmasının hızının sağlıklı bireyler ve demanslı hastalar arasında farklılık gösterdiğini buldu.

Bandt, “Şimdi, akışkan zeka konusundaki çalışmalarımızda yaptığımız gibi bu yöntemi kullanarak benzer bilişsel önlemlerin tahmin edilip edilemeyeceğini görmek istiyoruz, ancak aynı zamanda demansın başlangıcını tahmin edebilir ve potansiyel olarak onu başlamadan önce önleyebilir veya geciktirebilir miyiz” dedi. söz konusu.

Bu derin öğrenme ve biliş araştırması haberleri hakkında

Ayrıca bakınız

Bu, bulaşık yıkayan küçük bir çocuğu gösteriyor

Soyut

Akışkan zeka tahmini için yaşa bağlı kortikal ve subkortikal morfolojik etkileşimlerin çok kohortlu bir geometrik derin öğrenme çalışması

İnsan beyni yapısının bilişsel işlevle ilişkisi karmaşıktır ve bu ilişkinin çocukluk ve yetişkinlik arasında nasıl farklılaştığı tam olarak anlaşılamamıştır.

Güçlü bir hipotez, Akışkan Zekasının (Gf) bilişsel işlevinin prefrontal kortekse ve parietal kortekse bağlı olduğunu öne sürer.

Bu çalışmada, lokalize anatomik şeklin analizi ve Gf’nin tahmini için yeni bir grafik evrişimli sinir ağları (gCNN’ler) geliştirdik. Kortikal şeritlerin ve subkortikal yapıların morfolojik bilgileri, iki bağımsız gruptaki T1 ağırlıklı MRG’lerden, çocukların Adolescent Brain Cognitive Development Study (ABCD; yaş: 9.93 ± 0.62 yıl) ve Human Connectome Project (HCP; yaş: 28.81) içinden çıkarıldı. ± 3.70 yıl).

Kortikal ve subkortikal yüzeyleri birlikte birleştiren tahmin, hem ABCD (R = 0.314) hem de HCP veri kümeleri (R = 0.454) için Gf’nin en yüksek doğruluğunu sağladı ve literatürdeki diğer beyin ölçümlerinden Gf’nin son teknoloji tahmininden daha iyi performans gösterdi. .

Her iki veri setinde de, amigdala, hipokampus ve nükleus akumbens morfolojisi, zamansal, parietal ve singulat korteks ile birlikte sürekli olarak Gf’nin tahminini yönlendirdi ve beyin morfolojisi ile Gf arasındaki ilişkinin ödülle ilgili sistemleri içerecek şekilde önemli bir yeniden çerçevelenmesini önerdi. kaçınma işleme, yargılama ve karar verme, motivasyon ve duygu.

Kaynak ve İleri Okuma: https://neurosciencenews.com/deep-learning-cognitive-function-21787/

İlgili Makaleler

Başa dön tuşu