هوش مصنوعی مولد توانست مسیرهای عصبی مغز را با دقت بالایی بازسازی کند

پژوهشگران مؤسسه تصویربرداری عصبی و انفورماتیک مارک و مری استیونز در دانشکده پزشکی کک دانشگاه کالیفرنیای جنوبی، یک مدل هوش مصنوعی توسعه داده‌اند که می‌تواند بخش‌های ناقص نقشه اتصالات عصبی مغز را بازسازی کند.

این نقشه‌ها با استفاده از تصویربرداری ام‌آر‌آی انتشار تهیه می‌شوند؛ روشی که مسیر حرکت رشته‌های عصبی مغز را دنبال می‌کند. این فناوری می‌تواند به محققان در بررسی تغییرات ارتباطات مهم مغزی بر اثر افزایش سن و بیماری‌ها کمک کند.

این مدل که جزئیات آن در پژوهشی منتشرشده در نشریه Medical Image Analysis ارائه شده، دو ناحیه از مغز شامل ساقه مغز و بخش اربیتوفرونتال واقع در بالای چشم‌ها را هدف قرار می‌دهد. در این مناطق، اختلالات میدان مغناطیسی دستگاه اسکن ممکن است بخش زیادی از سیگنال تصویربرداری را از بین ببرد.

تیم تحقیقاتی برای آموزش و ارزیابی مدل از اسکن‌های مغزی ۱۳۱۵ شرکت‌کننده در پروژه زیست‌بانک بریتانیا و ۶۷۹ شرکت‌کننده در مطالعه سالمندی پروژه کانکتوم انسانی در طول عمر (HCP-Aging) استفاده کرد. هر دو پروژه شامل مجموعه‌های بزرگی از داده‌های افراد، عمدتاً در سنین بالاتر، هستند.

شوو هوانگ، نویسنده مشترک اول پژوهش و محقق پسادکتری مؤسسه استیونز، درباره عملکرد این فناوری گفت

در برخی قسمت‌های مغز، تصاویر ام‌آر‌آی ممکن است اطلاعاتی ناقص داشته باشند؛ درست مانند عکسی که گوشه‌ای از آن پاره شده است. مدل ما با بررسی بافت سالم اطراف هر شکاف و استفاده از آموخته‌های خود از اسکن‌هایی که چنین نقصی ندارند، تخمین می‌زند چه اطلاعاتی احتمالاً در بخش ازدست‌رفته وجود داشته است.

یکی از اختلالات رایج تصویربرداری ام‌آر‌آی انتشار باعث ازدست‌رفتن سیگنال در مسیر کورتیکواسپاینال، یکی از مسیرهای اصلی انتقال پیام‌های حرکتی در ساقه مغز، می‌شود. این اتفاق شکاف‌هایی در نقشه مسیر عصبی ایجاد می‌کند. مدل هوش مصنوعی مولد می‌تواند سیگنال ازدست‌رفته را بازسازی کرده و تصویری کامل‌تر از این مسیر ارائه دهد. اعتبار تصویر: مؤسسه استیونز.

وقتی اسکن مغز مسیر رشته‌های عصبی را گم می‌کند

تصویربرداری ام‌آر‌آی انتشار، حرکت آب در بافت مغز را ردیابی می‌کند. از آنجا که آب معمولاً در امتداد رشته‌های عصبی حرکت دارد، این اسکن‌ها اطلاعاتی درباره مسیر حرکت رشته‌ها و نحوه اتصال نواحی مختلف مغز در اختیار پژوهشگران قرار می‌دهند.

برخی قسمت‌های مغز بیشتر در معرض ازدست‌رفتن سیگنال قرار دارند. منشأ این مشکل خود فرایند تصویربرداری است، نه بافت مغز؛ ضمن اینکه ابزارهای معمول اصلاح تصاویر نیز قادر به برطرف‌کردن کامل آن نیستند. در ساقه مغز که مغز را به نخاع متصل می‌کند، این نقص‌ها ممکن است ردیابی مسیر کورتیکواسپاینال را مختل کنند؛ مسیری مهم که پیام‌های حرکتی را انتقال می‌دهد.

مدل جدید با نام FOD-Diffusion بر پایه نوعی هوش مصنوعی مولد به نام مدل انتشار ساخته شده است. این فناوری برای تولید تصاویر، ابتدا از نویز تصادفی شروع می‌کند و سپس با حذف تدریجی آن در چند مرحله، تصویر نهایی را شکل می‌دهد.

داده‌هایی که این مدل بازسازی می‌کند، توزیع جهت‌گیری رشته‌های عصبی نام دارند و برای هر اسکن از ۴۵ نقشه سه‌بعدی مرتبط با یکدیگر تشکیل شده‌اند. هر نقشه بخشی از الگوی رشته‌های عصبی را نشان می‌دهد و مجموع آن‌ها جهت حرکت رشته‌ها را در نقاط مختلف مغز مشخص می‌کند.

مدل هوش مصنوعی هر بار یکی از این نقشه‌ها را بازسازی می‌کند و برای هماهنگ نگه‌داشتن بخش‌های مختلف، از اطلاعات سایر نقشه‌ها نیز کمک می‌گیرد. همچنین بافت سالم اطراف نواحی آسیب‌دیده در تصویربرداری، به‌عنوان راهنمای اصلی فرایند بازسازی مورد استفاده قرار می‌گیرد.

دقت بیشتر و بازسازی کامل‌تر مسیرهای عصبی

برای ارزیابی دقت مدل، پژوهشگران بخش‌هایی از ساقه مغز را در اسکن‌هایی که کمترین میزان ازدست‌رفتن سیگنال را داشتند، پنهان کردند و سپس از مدل خواستند آن قسمت‌ها را بازسازی کند. نتایج آزمایش روی ۴۳ شرکت‌کننده نشان داد جهت اصلی رشته‌های عصبی بازسازی‌شده، به‌طور میانگین تنها حدود ۱.۴ درجه با داده‌های اصلی اختلاف دارد. در حالی که نزدیک‌ترین عملکرد در میان شش روش هوش مصنوعی دیگر آزمایش‌شده، اختلافی حدود ۴.۵ درجه را نشان داد.

در بررسی ۱۱۷۲ شرکت‌کننده دیگر از پروژه زیست‌بانک بریتانیا، اطلاعات مربوط به رشته‌های عصبی ساقه مغز که تنها با ابزارهای اصلاح استاندارد پردازش شده بودند، در مقایسه با افراد دارای حداقل اختلال سیگنال، به‌طور معناداری ضعیف‌تر بودند. اما پس از بازسازی داده‌ها با مدل هوش مصنوعی، این اختلاف دیگر از نظر آماری معنادار نبود. نتایج مشابهی نیز در ناحیه اربیتوفرونتال و میان ۹۸۱ شرکت‌کننده مشاهده شد.

در افرادی که با ازدست‌رفتن شدید سیگنال در اسکن مواجه بودند، مسیر کورتیکواسپاینال در داده‌های اصلاح‌شده با روش‌های استاندارد، به‌طور معناداری ناقص‌تر از افراد دارای حداقل اختلال سیگنال دیده می‌شد. با این حال، پس از بازسازی اطلاعات با هوش مصنوعی، میزان کامل‌بودن مسیرهای عصبی دیگر تفاوت معناداری با گروه دارای اسکن‌های کم‌نقص نداشت.

برای ارزیابی پایداری، امنیت و نگهداری این زیرساخت، راهنمای پشتیبانی شبکه را نیز مطالعه کنید.